Algoritmo de recomendación: filtrado colaborativo 3 basado en elementos

amazon, netflix, hulu, youtube

ItemCF no utiliza los atributos de contenido de los elementos para calcular la similitud entre elementos. Registra principalmente la similitud de los elementos analizando el comportamiento del usuario.

El algoritmo cree que A y B son similares porque a la mayoría de los usuarios a los que les gusta A también les gusta B

Utiliza el comportamiento histórico del usuario para proporcionar explicaciones recomendadas para los resultados recomendados. Por ejemplo, si te gusta o has coleccionado Condor Shooting, te recomiendo Demi-Gods and Dragons.

1. Calcular la similitud de elementos

2. Generar una lista de recomendaciones basada en la similitud de elementos y el comportamiento histórico del usuario

Wij = | time El número de personas | / | El número de personas a las que les gusta el elemento i |

Castigar los elementos populares:

Wij = | mismo tiempo | / sqrt (El número de personas a las que les gusta i x Le gusta j) **

Calcula el interés del usuario u en un artículo:

Puj = sum(Sji, Rui) j ( - El conjunto de k elementos más similares a j

El significado de esta fórmula es:

**Cuanto más similar sea un elemento a los elementos que históricamente han interesado al usuario , es más probable que ocupe un lugar destacado en la lista de recomendaciones del usuario

El efecto de popularidad de itemCF es mejor, pero la precisión no mejora con el aumento del valor k

1. UITA

Sij = cij /match.sqrt(N[i]*. N[j]) Calcular similitud de elementos

Debilitado, luego simplemente ignora Cij = (1 1/ log(1 N(u))

2. Por supuesto, también puedes ignorar la actividad

W' ij = wij / maxJ(wij) Normalización por categoría

Después de la normalización, la cobertura se puede aumentar en 4 puntos porcentuales