说明 推荐是很重要的一块内容，丢下有点久了。计划先快速恢复一部分基础内容，然后再和产品改进结合，丰富这块的内容。 内容 具体的理论部分可以参考这篇文章，以下从实操和我的理解做一个实践。 本质上，协同过滤是利用用户的选择，来给任意两个物品打标。 1 计算数据 以购买为例，一个用户如果购买过a,b,c，说明这三个物品存在关联。在参考文章的例子中，有5个客户，每个客户喜欢（或可认为是购买过）

 [推荐算法]ItemCF,基于物品的协同过滤算法 标签： ItemCF基于用户的协同过滤算法 2015-03-09 15:11 4144人阅读 评论(1) 收藏 举报 本文章已收录于： 分类： algorithm & data structure（12） 作者同类文章 X 版权声明：本文为博主原创文章，未经博主允许

一、Surprise库简介       Surprise是一个用于简单快速构建推荐系统的Python库，其底层基于Python Scikit 构建。       官方文档地址：https://surprise.readthedocs.io/en/stable       安装方式：（1）通过pip安装，需具有Microsoft C++ Build Tools 环境。

本文在 Python推荐系统学习笔记（2）基于协同过滤的个性化推荐算法实战---ItemCF算法 一文的基础上，对其基本的ItemCF算法做出改进。 一、相关概念 1、ItemCF中，基于行为（喜好）的相似性度量公式原始形式：                  s i,j 代表物品 i 和 j 的相似度；u(i) 和 u(j) 代表含有物品 i 或者物品 j 行为的用户集合；

协同过滤算法（CF） 1、概述2、相似性度量方法3 、基于用户的协同过滤算法(UserCF)3.1 UserCF算法原理3.2 UserCF算法步骤3.2.1 用户相似度计算3.2.2 生成推荐列表 3.3 优化_User-IIF算法 4、基于物品的协同过滤算法(ItemCF)4.1 ItemCF算法原理4.2 ItemCF算法步骤4.2.1 物品相似度计算4.2.2 生成推荐列表 4.3

一、协同过滤核心思想 ​ 要理解什么是协同过滤 (Collaborative Filtering, 简称 CF)，首先想一个简单的问题，如果你现在想看个电影，但你不知道具体看哪部，你会怎么做？大部分的人会问问周围的朋友，看看最近有什么好看的电影推荐，而我们一般更倾向于从口味比较类似的朋友那里得到推荐。这就是协同过滤的核心思想。 协同过滤一般是在海量的用户中发掘出一小部分和你品位比较类似的，在协

一、推荐系统的分类 1. 基于应用领域分类 电子商务推荐(itemCF),社交好友推荐(图论方法),搜索引擎推荐(关键字),信息内容推荐 2. 基于设计思想 基于协同过滤的推荐(集体的智慧),基于内容的推荐,基于知识的推荐,混合推荐 3. 基于使用何种数据 基于用户行为数据的推荐,基于用户标签的推荐(自选和推荐的),基于社交网络数据,基于上下文信息 (时间上下文,地点上下文等等)

基本思想：该算法向用户推荐与他们之前喜欢的物品相似的其它物品。 内容：itemCF算法通过计算用户的历史行为记录，来分析物品之间的相似度：如果喜欢物品a的用户大多数也喜欢物品b，那么认为物品A与物品B具有一定的相似度。 相似度计算公式： 参数影响： 参数K是ItemCF算法的重要参数，它对推荐算法的各种指标都会产生一些列的影响： 精度（准确率和召回率）：准确率和召回率与参数k并不呈正