协同过滤推荐算法的入门案例

Dd5QWU3FlGc6

目录

• 数据介绍
  
• 数据映射
  
• 计算相识度
  
  
  
  • 补充
    
  • 扩展
    
  
  
• 预测偏好
  
  
  
  • 简单预测
    
  • 采用加权（多用户加权）
    
  
  
• 总结
  

<hr>推荐算法的核心是预测用户可能喜欢的内容，并据此进行推荐。这里用一个非常简单的电影推荐案例，解释最常见的协同过滤原理。
数据介绍

假设有3个用户（小明、小红、小刚）对4部电影的评分（1~5分），未评分的用“-”表示：
已经采集到的数据如下：
用户复仇者钢铁侠爱情故事雷神小明54-2小红453-小刚1254目标：
为小明推荐他可能感兴趣的电影（比如《雷神》评分低，可不推荐；《爱情故事》未评分，是否需要推荐？）
数据映射

数组：
[[ 5, 4, 0, 2]
[ 4, 5, 3, 0]
[ 1, 2, 5, 4]]
计算相识度

推荐的原理就是计算目标用户和其他用户的相识度，推荐相识度高喜欢的作品给他。
找到相似用户的步骤：（常用方法：余弦相似度）

• 小明 vs 小红：共同评分的电影是《复仇者》《钢铁侠》。
  
  
  
  • 小明的评分向量：[5, 4]
    
  • 小红的评分向量：[4, 5]
    
  • 余弦相似度 = (5×4 + 4×5) / (√(5²+4²) × √(4²+5²)) ≈ 0.98（非常相似）
    
  
  
• 小明 vs 小刚：共同评分的电影是《雷神》，但小明和小刚对《雷神》评分差异大（小明2分，小刚4分），相似度低。
  
• 结论：小红和小明兴趣最接近。
  余弦相似度越接近1，说明两个向量的方向越一致，即“偏好模式”越相似。
  

补充

余弦相似度（Cosine Similarity）是一种衡量两个向量方向相似程度的指标，常用于推荐系统、文本分析等领域。它的核心思想是：通过计算两个向量之间的夹角余弦值，判断它们的方向是否接近。方向越接近，余弦值越接近1；方向相反则接近-1；垂直则为0。

余弦相似度 = A * B / ||A|| * ||B|| = (5×4 + 4×5) / (√(5²+4²) × √(4²+5²)) ≈ 0.98（非常相似）
看图理解，

B,C 所形成的夹角较小，表示更相似。
A,C 所形成的夹角较大，就相对没那么相似。
扩展

• 基于内容的推荐：分析电影特征（如类型、导演），推荐相似属性的电影（如喜欢《钢铁侠》→ 推荐科幻片）。
  
• 混合推荐：结合协同过滤和内容过滤，提高准确性。
  

预测偏好

简单预测

假设要预测小明对《爱情故事》的评分，已知：
小红与小明相似度 0.98，对《爱情故事》评分为 3；
小刚与小明相似度 1.0，对《爱情故事》评分为 5。
直接取平均：(3+5)/2=4 → 但未考虑相似度差异。
采用加权（多用户加权）

加权平均的原理
核心思想：相似度高的用户意见更重要，应赋予更高权重。


预测小明对《爱情故事》电影的评分是 4.01分，评分较高，值得推荐。
总结

案例很简单，主要用到如下数学概念：

• 二维矩阵
  
• 余弦相似
  
• 加权平均