基于用戶的協(xié)同過濾電影推薦算法分析案例考慮到相似性的協(xié)同過濾的不同，Breeze等人將協(xié)同過濾算法分成基于用戶的協(xié)調(diào)過濾算法和基于項目的協(xié)調(diào)過濾算法。3.1基于用戶的協(xié)同過濾算法基于用戶的協(xié)同過濾推薦算法最根本要點是：①全部顧客的興趣信息都來自顧客對不同項目的評價。②顧客之間的行為可以反饋出他們在一定程度上的相似性。③全部顧客對項目的評分可以和它具有共同愛好的顧客評價相同?；谟脩舻膮f(xié)同過濾推薦算法的根本思路是：根據(jù)用戶用戶的得分來計算用戶之間的相似性，并發(fā)現(xiàn)與目標(biāo)用戶的興趣類似的用戶集合。接著，用最近集合的得分預(yù)測目標(biāo)項目的目標(biāo)用戶的得分。最后，將最高預(yù)測分?jǐn)?shù)項目用作推薦列表。算法的核心是確定用戶是否類似的方法，并且是根據(jù)相似性選擇鄰居用戶的設(shè)置的方法?；谟脩舻膮f(xié)同過濾的推薦算法一般有三個步驟：首先，收集歷史數(shù)據(jù)，例如用戶的項目評估值，之后找到最接近目標(biāo)用戶興趣的用戶對于目標(biāo)用戶未評價的項目。其中最近鄰的用戶評價用于預(yù)測目標(biāo)用戶的評價并生成推薦結(jié)果。（1）獲取數(shù)據(jù)。獲得用戶的評價值，構(gòu)建用戶行動選擇矩陣。每個用戶的興趣優(yōu)先級由由項目的用戶、項目和用戶的評估值組成的向量表示。所有用戶的信息構(gòu)成的矩陣我們也可以稱為用戶-項目評價矩陣，表示為R，具體以下圖所示：其中，m是系統(tǒng)中用戶數(shù)，n是項目數(shù)，矩陣元素Rui的值是用戶u給項目i作出的評分，通常Rui的值會在一定值域范圍內(nèi)，一般會采用1-5的整數(shù)。如果用戶沒有作出評分的話，那么就會用0來代替。其中Rui越大，則就充分說明用戶u給項目i評分越高，反過來的話就越低。（2）找到最近鄰居用戶集。找到目標(biāo)用戶的最近鄰集是用于確定推薦的準(zhǔn)確性的算法的核心。首先，計算目標(biāo)用戶和其他用戶的相似性，并且采用一些規(guī)則來選擇最接近用戶的用戶集合。一般來說，相似性反映了兩個對象或兩個特征的不同程度。差異的程度越大，相似性越低，相反，差異越小，相似性越高。其中，首步驟主要是計算目標(biāo)用戶u和別的用戶的相似性來列出一個鄰居用戶的列表。在這當(dāng)中，用戶v和目標(biāo)用戶u的相似性sim（u，v）的取值范圍會在[-1，1]。如果sim（u，v）的值接近1，則可以得出用戶u、v的相似性就越高；如果sim（u，v）的最終值接近-1，那么我們可以得出用戶u、v的興趣偏好是不一樣的，而且是反的；如果sim（u，v）的最終值=0，那么我們便可知用戶u、v不可能會有任何相似性。通常在實際運用當(dāng)中，最終值小于0的相似性是沒有任何參考價值的，因為我們一般只會考慮相似度大于0的情況。當(dāng)然，我們將目標(biāo)用戶u和別的顧客的相似度通常會用以下這幾種常見的方式來度量。①余弦相似度法一般基于用戶協(xié)同過濾算法，用戶評估通常被認(rèn)為是n維空間中的矢量，并且用戶之間的余弦角可以測量用戶之間的相似性。值越大，兩個用戶就越一樣。我們不妨設(shè)用戶u，用戶v在n維項目空間當(dāng)中的評分是u與v，那么用戶u與用戶v的相似度sim（u，v）的算法公式可以為：②修正的余弦相似度法通常不一樣的用戶會有不一樣的評價度量。其中余弦相似性度量的方法卻忽視了這個重要問題。但是修正過后，余弦相似度計算方式把余弦相似度基礎(chǔ)上加進(jìn)來了用戶平均評價。這主要的方法是可以減掉用戶對項目給出來的平均分，以此來彌補(bǔ)不一樣用戶對項目的評價尺度不一樣的問題。利用修正過后的余弦相似度的方法，我們可以看出用戶u，用戶v中相似度sim（u，v）的算法公式可以為：當(dāng)中，Iuv是用戶u，用戶v給出一樣評價過的項目集合，Iu、與Iv代表的是用戶u與用戶v給出的項目集合，是用戶u給全部項目作出的平均評價分；是用戶v給全部的項目作出來平均評分。③皮爾森Pearson相關(guān)系數(shù)方法皮爾森對等相關(guān)系數(shù)反饋出了兩變量之間線性相關(guān)性的程度。此方法通過計算用戶評估向量線性相關(guān)性的特征來計算相似性。皮爾森相似算法的重要性在于：如果兩個用戶獲得了同樣的產(chǎn)品，那么更接近的那個用戶將得到產(chǎn)品的分?jǐn)?shù)。在計算對等相關(guān)系數(shù)時，首先需要確定兩個用戶得分的項目集合，并基于該集合計算不同用戶之間向量的相關(guān)系數(shù)。我們把用戶u，用戶v的相似性算法公式可以定義為：其中，Iuv是顧客u及顧客v一同評價過的項目集合，是顧客u對Iuv中全部電影的平均評價分；是用戶v給Iuv中全部項目作出的平均評價分。第二步是使用特定規(guī)則選擇鄰居列表U的目標(biāo)用戶最感興趣的鄰居集。最近鄰集數(shù)的選擇對推薦的質(zhì)量有很大的影響。有兩種主要的方法來確定最近鄰集的數(shù)量：一種是設(shè)定閾值，一種是與目標(biāo)用戶的相似性，采取比閾值大的用戶作為最近鄰集（例如，ringo系統(tǒng)）；第二，設(shè)定最近的相鄰K的數(shù)量，取與最近的鄰居組（例如GroupLens系統(tǒng)）目標(biāo)用戶有最大相似性的頂級K用戶。herlocker等人指出，最近近距離選擇的第二種方法在實際應(yīng)用中更好，實際應(yīng)用過程中最近鄰用戶的最合理數(shù)量是20到50。（3）產(chǎn)生推薦。在確定目標(biāo)用戶的最近鄰集之后，發(fā)現(xiàn)目標(biāo)用戶未被評估的項目，然后根據(jù)最近鄰集的目標(biāo)項目的用戶的分?jǐn)?shù)來預(yù)測目標(biāo)用戶的得分。然后，最終根據(jù)項目的預(yù)測得分值，推薦目標(biāo)用戶的適當(dāng)項目集?；谟脩舻膮f(xié)調(diào)過濾算法的優(yōu)點是簡單且容易接受。那個廣泛用于個人推薦。該算法可以為用戶產(chǎn)生新的跨分類推薦。但是，想要確保推薦結(jié)果的實時性能時，需要將用戶數(shù)和項目數(shù)分散在一定范圍內(nèi)。該算法依賴于所有用戶的評估信息，并且完成推薦，因此用