协同过滤课件

协同过滤相关介绍一1.协同过滤相关介绍一1.背景介绍2.相关数学知识3.算法原理4.参考文献2.1应用场景1.关联规则意在找出属性之间的内在规律2.决策树想找出对某一确定属性影响最显著的topN个属性3.协同过滤可以找出记录之间以及属性之间的相似或相关程度，并在此基础上进行推荐[1，2，3]3.2.1余弦相似度向量A=<a1,a2,a3>B=<b1,b2,b3>推广至任意维向量A和B，有：

我打盹人A:我打盹<1,1,1,0>B:我打人<1,1,0,1>4.2.2矩阵矩阵相乘：矩阵相乘向量表示[4]：矩阵转置：5.用户行为矩阵ua：新建矩阵us：us=ua*uaT3.1算法原理1

u1u2u3u4u5u1311418836u21430241613u3182483842u48168145u53613425526.3.1算法原理2新建与us同大小矩阵ucos：

ucos(i,j)=us(i,j)/((us(i,i)*us(j,j))^(1/2))

1.这个矩阵即表示了用户之间的相似性

2.推荐以此为依据

3.主要有基于用户和基于项目两种推荐4.新用户用基于项目好,新项目用基于用户好,由于用户数据稀疏,多用基于项目推荐

u1u2u3u4u5u11.00000.45910.35490.38400.8966u20.45911.00000.48100.78070.3291u30.35490.48101.00000.23470.6393u40.38400.78070.23471.00000.1853u50.89660.32910.63930.18531.0000

u1u2u3u4u5u1311418836u21430241613u3182483842u48168145u53613425527.3.1算法原理3新建矩阵as：as=uaT*ua

新建与as同大小矩阵acos:acos(i,j)=as(i,j)/((as(i,i)*as(j,j))^(1/2))

以上即是项目之间相似性

ABCDEFA1.00000.22020.25070.39390.53440.5505B

0.22021.00000.55210.89440.32360.3333C

0.25070.55211.00000.67890.76560.7591D

0.39390.89440.67891.00000.33080.3727E

0.53440.32360.76560.33081.00000.9707F

0.55050.33330.75910.37270.97071.00008.3.1算法原理4基于项目推荐:对于新用户u6,如果u6对B评价较高则可以估计u6对C和D评价也较高对于老用户,如果用户u1对项目B未做过评价,由于D和C与B较相，则u1对B的评价可估计为1；如果用户u1对项目C未做过评价,由于C和D、E、F较相似，则u1对B的评价可估计为：

(0.6789*1+0.7656*2+0.7591*1)/(0.6789+0.7656+0.7591)=1.47431

ABCDEFA1.00000.22020.25070.39390.53440.5505B

0.22021.00000.55210.89440.32360.3333C

0.25070.55211.00000.67890.76560.7591D

0.39390.89440.67891.00000.33080.3727E

0.53440.32360.76560.33081.00000.9707F

0.55050.33330.75910.37270.97071.0000

u1u2u3u4u5u11.00000.45910.35490.38400.8966u20.45911.00000.48100.78070.3291u30.35490.48101.00000.23470.6393u40.38400.78070.23471.00000.1853u50.89660.32910.63930