協(xié)同過濾推薦算法是誕生時間最早，而且應用廣泛的，著名的推薦算法。其最主要的功能進行是預測和推薦。協(xié)同過濾推薦算法可以通過對用戶歷史行為數(shù)據(jù)的挖掘，從而發(fā)現(xiàn)用戶的偏好，并且基于不同的偏好，將用戶劃分為不同的群組，并推薦品味相似的商品?；谟脩舻?a href='/map/xietongguolv/' style='color:#000;font-size:inherit;'>協(xié)同過濾算法user-based collaboratIve filtering，是協(xié)同過濾推薦算法的極為重要的一個分類，今天小編主要給大家分享基于用戶的協(xié)同過濾算法的原理和實現(xiàn)。

一、基于用戶的協(xié)同過濾算法概念

基于用戶(user-based)的協(xié)同過濾算法是通過，挖掘用戶的歷史行為數(shù)據(jù)，發(fā)現(xiàn)用戶對商品或內(nèi)容的偏好，并對這些偏好進行度量和打分。之后根據(jù)不同用戶對相同商品或內(nèi)容的態(tài)度以及偏好程度，來計算用戶之間的相似度關(guān)系?；谟脩舻?a href='/map/xietongguolv/' style='color:#000;font-size:inherit;'>協(xié)同過濾，主要計算的是用戶與用戶之間的相似度，只需要找出相似用戶喜歡的物品，并預測出目標用戶對對應物品的評分，就能夠找到評分最高的物品推薦給用戶，這樣能夠挖掘用戶的隱藏屬性。

二、基于用戶的協(xié)同過濾算法原理

基于用戶的協(xié)同過濾算法主要包括以下兩個步驟：

(1) 找到與目標用戶興趣相似的用戶集合。

(2) 找到此集合中的用戶感興趣的，并且目標用戶沒有接觸過的的物品推薦給目標用戶。

基于用戶User-CF算法的假設是目標用戶和其他用戶的興趣、偏好相似，那么他們喜歡的東西都應該也相似，就是常說的人以群分。

基于用戶的協(xié)同過濾算法適用于用戶較少、用戶個性化興趣不太顯著的情況，這樣，在推薦過程中用戶新的行為不一定會導致推薦結(jié)果的變化，但是如果用戶過多，那么計算用戶相似矩陣的代價就會太大。并且這一算法不能解決新用戶進來的冷啟動問題，新物品進來卻可以較快地進行推薦。

三、算法實現(xiàn)

1.計算用戶相似度

user-item:
movieId    1    2    3    4    5    6    7    8
userId                                         
1        3.5  2.0  NaN  4.5  5.0  1.5  2.5  2.0
2        2.0  3.5  4.0  NaN  2.0  3.5  NaN  3.0
3        5.0  1.0  1.0  3.0  5.0  1.0  NaN  NaN
4        3.0  4.0  4.5  NaN  3.0  4.5  4.0  2.0
5        NaN  4.0  1.0  4.0  NaN  NaN  4.0  1.0
6        NaN  4.5  4.0  5.0  5.0  4.5  4.0  4.0
7        5.0  2.0  NaN  3.0  5.0  4.0  5.0  NaN
8        3.0  NaN  NaN  5.0  4.0  2.5  3.0  4.0
 
# 構(gòu)建共同的評分向量
def build_xy(user_id1, user_id2):
    bool_array = df.loc[user_id1].notnull() & df.loc[user_id2].notnull()
    return df.loc[user_id1, bool_array], df.loc[user_id2, bool_array]
 
#如此用戶評分矩陣中用戶1，和用戶2的共同評分向量是
 movieId
1    3.5
2    2.0
5    5.0
6    1.5
8    2.0
Name: 1, dtype: float64, 
 movieId
1    2.0
2    3.5
5    2.0
6    3.5
8    3.0
Name: 2, dtype: float64)
 
 
# 皮爾遜相關(guān)系數(shù)
def pearson(user_id1, user_id2):
    x, y = build_xy(user_id1, user_id2)
    mean1, mean2 = x.mean(), y.mean()
    # 分母
    denominator = (sum((x-mean1)**2)*sum((y-mean2)**2))**0.5
    try:
        value = sum((x - mean1) * (y - mean2)) / denominator
    except ZeroDivisionError:
        value = 0
    return value

2.找到相似度最高的用戶并進行推薦：

# 計算最相似的鄰居
def computeNearestNeighbor(user_id, k=3):
    return df.drop(user_id).index.to_series().apply(pearson, args=(user_id,)).nlargest(k)
 
#與用戶3相似的前3個用戶
userId
1    0.819782
6    0.801784
7    0.766965
Name: userId, dtype: float64
 
 
#推薦
def recommend(user_id):
    # 找到最相似的用戶id
    nearest_user_id = computeNearestNeighbor(user_id).index[0]
    print('最相似用戶ID：')
    print nearest_user_id
    # 找出鄰居評價過、但自己未曾評價的項目
    # 結(jié)果：index是項目名稱，values是評分
    return df.loc[nearest_user_id, df.loc[user_id].isnull() & df.loc[nearest_user_id].notnull()].sort_values()
 
#對用戶3進行推薦結(jié)果
最相似用戶ID：
1
movieId
8    2.0
7    2.5
Name: 1, dtype: float64