⽂章⽬录
⼀、介绍
1.基于⽤户的协同过滤推荐
基于⽤户的协同过滤推荐的基本原理是，根据⽤户的偏好及⾏为习惯，发现与当前⽤户⼝味和偏好相似的“邻居”⽤户。基于邻居的历史偏好信息，为当前⽤户进⾏推荐。
即：a与c为相似⽤户，⽤户a看过物品A和C，⽤户c看过物品A、C和D，则推荐c看过a没看过的物品D给a
2.基于项⽬（物品）的协同过滤推荐
基于物品的协同过滤推荐的基本原理是，根据物品的⾃然分类、定义及⽤户对物品的偏好，发现物品和物品之间的相似度，将类似的物品推荐给⽤户。
即：A与C为相似物品，若⽤户c浏览了物品A且没有浏览物品C，则向⽤户c推荐物品C
详细区别见下表：
-基于⽤户的协同过滤基于物品的协同过滤
性能⼀般⽤于⽤户数⼩于物品数的场景（新闻博客社交类），⽤户太多时⽤户相似度矩阵计算代
价⼤
同理，⼀般⽤于物品数⼩于⽤户数的场景（购物
类）
领域时效性强，总是推送热门物品长尾物品丰富，⽤户个性化需求强
实时性⽤户有新⾏为，不⼀定造成推荐结果⽴马变化⽤户有新⾏为会导致推荐结果变化
推荐理
由
利⽤与当前⽤户相似的其他⽤户的⾏为给⽤户推荐做解释利⽤当前⽤户的历史⾏为给⽤户推荐做解释
ps：
1.⽤户协同场景下，系统会给出这种解释，某某和你有相似兴趣的⼈也看了这本书，这种解释适⽤于社交性较强或⽤户彼此之间本⾝就有⼀定联系的⽹站，⽤户可能认识这个⼈，所以解释会令⼈信服。
2.物品协同场景下，系统会给出这种解释，这本书和你以前看的某本书相似，这种解释在任意场景下都是⼀个不错的解释。
3.基于模型的协同过滤推荐
基于模型的协同过滤推荐就是基于样本的⽤户喜好信息，训练⼀个推荐模型，然后根据实时的⽤户喜好的信息进⾏预测，计算推荐。
优点：1它不需要对物品或者⽤户进⾏严格的建模。2推荐是开放的，可以共⽤他⼈的经验
监控摄像机主板
缺点：1⽤户历史偏好是⽤稀疏矩阵进⾏存储的，⽽稀疏矩阵上的计算有些明显的问题，包括可能少部分⼈的错误偏好会对推荐的准确度有很⼤的影响等等。2⽅法更新迭代慢。
⼆、实现步骤
1.⽤户协同过滤和物品协同过滤的实现⽅法
家用管道疏通机
1）收集⽤户偏好
将不同的⾏为进⾏分组：
⽤户⾏为：查看、推荐、购买、借还、收藏等
物品⾏为：被查看、被推荐、被购买等
然后基于不同的⾏为，计算不同的⽤户 / 物品相似度。类似于
“查看了这本图书的⼈还查看了A …”
“没有搜到此书，但为您推荐类似图书B”
“和你同⼀专业的⼈都在看这些书”
加权操作：
根据不同⾏为反映⽤户喜好的程度将它们进⾏加权，得到⽤户对于物品的总体喜好。⼀般来说，显式的⽤户反馈⽐隐式的权值⼤，但⽐较稀疏，毕竟进⾏显⽰反馈的⽤户是少数；同时相对于“查看”，“购买”⾏为反映⽤户喜好的程度更⼤，但这也因应⽤⽽异。
收集了⽤户⾏为数据之后需要对数据进⾏预处理，主要就是 减噪 和 归⼀化。
减噪 ：
⽤户⾏为数据是⽤户在使⽤应⽤过程中产⽣的，它可能存在⼤量的噪⾳和⽤户的误操作，可以通过⼀些算法过滤掉⾏为数据中的噪⾳。
归⼀化：
将各个⾏为的数据统⼀在⼀个相同的取值范围中。最简单的归⼀化处理，就是将各类数据除以此类中的最⼤值，以保证归⼀化后的数据取值在 [0,1] 范围中。
进⾏的预处理后，根据不同应⽤的⾏为分析⽅法，可以选择分组或者加权处理，之后可以得到⼀个⽤户偏好的⼆维矩阵，⼀维是⽤户列表，另⼀维是物品列表，值是⽤户对物品的偏好，⼀般是 [0,1]或者[-1, 1]的浮点数值。
最后形成如下的 ⽤户偏好表
⽤户偏好表物品1物品2物品3物品4物品5
⽤户10.50.80.10.3-
⽤户20.8-0.2-0.2
电厂脱硫滤布⽤户3-0.20.810.8
元数据管理平台2）计算⽤户或物品的相似度
采⽤余弦相似度算法⽐较相似性（余弦相似度⽤向量空间中两个向量夹⾓的余弦值作为衡量两个个体间差异的⼤⼩。相⽐距离度量，余弦相似度更加注重两个向量在⽅向上的差异，⽽⾮距离或长度上）。
计算形成如下相似度表
⽤户相似度权值表⽤户A⽤户B⽤户C
⽤户A10.30.4
⽤户B0.310.2
⽤户C0.40.21物品相似度权值表物品A物品B物品C
物品A10.80.9
粉末注射成形物品B0.810.2
物品C0.90.21
ps：相似度权值归⼀化在[0,-1]或者[-1,1]之间
3）推荐
薄板焊接
相似度矩阵 x 偏好矩阵 = 推荐列表
ps：矩阵相乘前需要先将缺失值补充为所有权值的平均值，否则相乘后的推荐矩阵会倾向于评价⼈数多的物品，⽽不是评价结果⾼的物品。根据上⾯的相似度表查询出相似⽤户或相似物品 结合不同场景进⾏推荐
2.模型协同过滤的实现⽅法
1）待补充，根据具体需求实现
