本文在 Python推荐系统学习笔记（4）基于协同过滤的个性化推荐算法实战---UserCF算法（上） 一文的基础上，对其基本的UserCF算法做出改进。 一、相关概念 1、UserCF中，基于行为（喜好）的相似性度量公式原始形式：                 S u,v 代表用户 u 和 v 的相似度；N(u) 和 N(v) 代表用户 u 或 v 行为过的物品集合；分子

一、相关概念： 1、关于协同过滤：               协同过滤（Collaborative Filtering Recommendation）技术是推荐系统中应用最早和最为成功的技术之一。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

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)

一、相关概念： 1、关于协同过滤：               协同过滤（Collaborative Filtering Recommendation）技术是推荐系统中应用最早和最为成功的技术之一。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