協(xié)同過(guò)濾推薦算法是誕生時(shí)間最早，而且應(yīng)用廣泛的，著名的推薦算法。其最主要的功能進(jìn)行是預(yù)測(cè)和推薦。協(xié)同過(guò)濾推薦算法可以通過(guò)對(duì)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(guò)濾算法user-based collaboratIve filtering，是協(xié)同過(guò)濾推薦算法的極為重要的一個(gè)分類(lèi)，今天小編主要給大家分享基于用戶的協(xié)同過(guò)濾算法的原理和實(shí)現(xiàn)。

一、基于用戶的協(xié)同過(guò)濾算法概念

基于用戶(user-based)的協(xié)同過(guò)濾算法是通過(guò)，挖掘用戶的歷史行為數(shù)據(jù)，發(fā)現(xiàn)用戶對(duì)商品或內(nèi)容的偏好，并對(duì)這些偏好進(jìn)行度量和打分。之后根據(jù)不同用戶對(duì)相同商品或內(nèi)容的態(tài)度以及偏好程度，來(lái)計(jì)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(guò)濾，主要計(jì)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(yù)測(cè)出目標(biāo)用戶對(duì)對(duì)應(yīng)物品的評(píng)分，就能夠找到評(píng)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(guò)濾算法原理

基于用戶的協(xié)同過(guò)濾算法主要包括以下兩個(gè)步驟：

(1) 找到與目標(biāo)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(biāo)用戶沒(méi)有接觸過(guò)的的物品推薦給目標(biāo)用戶。

基于用戶User-CF算法的假設(shè)是目標(biāo)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(yīng)該也相似，就是常說(shuō)的人以群分。

基于用戶的協(xié)同過(guò)濾算法適用于用戶較少、用戶個(gè)性化興趣不太顯著的情況，這樣，在推薦過(guò)程中用戶新的行為不一定會(huì)導(dǎo)致推薦結(jié)果的變化，但是如果用戶過(guò)多，那么計(jì)算用戶相似矩陣的代價(jià)就會(huì)太大。并且這一算法不能解決新用戶進(jìn)來(lái)的冷啟動(dòng)問(wèn)題，新物品進(jìn)來(lái)卻可以較快地進(jìn)行推薦。

三、算法實(shí)現(xiàn)

1.計(jì)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(píng)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(píng)分矩陣中用戶1，和用戶2的共同評(píng)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(jìn)行推薦：

# 計(jì)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(gè)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(píng)價(jià)過(guò)、但自己未曾評(píng)價(jià)的項(xiàng)目
    # 結(jié)果：index是項(xiàng)目名稱(chēng)，values是評(píng)分
    return df.loc[nearest_user_id, df.loc[user_id].isnull() & df.loc[nearest_user_id].notnull()].sort_values()
 
#對(duì)用戶3進(jìn)行推薦結(jié)果
最相似用戶ID：
1
movieId
8    2.0
7    2.5
Name: 1, dtype: float64