本文主要是介绍机器学习第二篇----协同过滤，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
中秋假期期间，又一次拜读了《推荐系统实战》一书，把一些收获分享给大家。
提到推荐系统，就不得不提“协同过滤” ：
协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。（来自百度百科）。
上述解释再通俗一点来讲，就是大家齐心协力过滤出来最合适的物品（社交就是人）推荐给最有意向的人。
推荐系统中最常用的算法是“基于邻域的协同过滤算法”，基于邻域的算法分为两大类，一类是基于用户的协同过滤算法，另一类是 基于物品的协同过滤算法。
-
基于用户的协同过滤算法（userCF）
基于用户的协同过滤算法主要包括两个步骤。
(1) 找到和目标用户兴趣相似的用户集合。
(2) 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。
步骤1中相似用户的计算涉及到相似度的计算，其中相似度最基本的算法是余玄相似度（很多情况下是最基础最好用的），需要对用户的各个指标向量化（特征向量化是最麻烦的，首先需要选特征，这就和业务密切相关，其次需要分清特征的主次），然后计算相似度。
计算相似度的算法还有其他的算法，比如基于位置的曼哈顿距离，还有杰卡得（Jaccard）距离等等，计算距离公式的选取，往往会根据业务来确定，公式选取会直接影响推荐结果
步骤二中，需要计算相似用户和被推荐用户的差集 -
基于物品的协同过滤算法（itemCF）
基于物品的协同过滤算法主要分为两步。
(1) 计算物品之间的相似度。
(2) 根据物品的相似度和用户的历史行为给用户生成推荐列表。
步骤一中的相似度的计算使用如下公式
这个公式惩罚了物品j的权重，如果物品j很热门，很多人都喜欢，
那么Wij就会很大，接近1，因此这个公式减轻了热门物品会和很多物品相似的可能性
- 两种算法的比较
参考文献：
《推荐系统实战》
这篇关于机器学习第二篇----协同过滤的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
