协同过滤（collaboratice filtering）

• 基于物品的协同过滤（Itemcf）背景，例子，公式与工业界落地时的公式升级
• 基于用户的协同过滤（Usercf）背景，例子，公式与工业界落地时候的公式升级
• Itemcf与Usercf优缺点分析

背景

• 信息过载，用户实际需求不明确
• 强依赖于用户行为

Item cf

• 给用户推荐它之前喜欢的物品相似的物品
• 如何衡量相似物品（基于用户行为取衡量）
• 如何衡量喜欢（用户是否为真实点击，实际消费购买）

example

a d 物品是很相似的，因为用户A和D都喜欢它们，因此C卖了d之后，我们就可以推荐他买a，因为a和d是相似的。

公式

• 根据用户行为计算出物品相似度矩阵
  

$u(i)$和$u(j)$分别表示喜欢物品$i$和喜欢物品$j$的用户集合，分母用作归一化处理,惩罚了热门物品（与很多用户都喜欢的物品）对相似度计算的影响;$r_{ui}$表示的是用户对物品$i$的得分，例如购买、收藏、加购物车等操作量化成为具体分值，而后归一化导0～1,$S_{ij}$就是物品相似度得分，根据物品$i$完成推荐，$i\in N(u)$是用户作用过的物品，$s(j,k)$是与i最为相似的前k个物品，一般k取前50个。

公式升级1

理论意义：活跃用户应该被降低在相似度公式中的贡献度

改进后的公式中，用户对物品的贡献都变得不一样了，$N(u)$表示的是用户作用过的所有物品，我们发现一个用户作用过的物品越多，他对相似度的贡献就越小，这是符合常理认知的。

公式升级2

理论意义：用户在不同时间对item的操作应给予时间衰减惩罚

分母相对一般的cf计算公式没变，变化的分子中，item $i$和$j$行为的时间间隔越小，则其相似度越接近，行为差异越大，相似度也越小。