基于用户的协同过滤（Usercf）

• 给用户推荐相似兴趣用户感兴趣的物品（例如开学时候请教实验室的学长学姐）
• 如何评价相似兴趣用户集合（基于用户行为重合度，用户行为重合度越高，相似性就越大）
• 找到集合用户感兴趣的而目标用户没行为过的item

example

用户A和用户D是相似的，因为它们行为过的物品差不多，因此可以给D推荐他没行为过的物品b。

公式

$N(u)$和$N(v)$表示的是用户$u$和用户$v$行为过的物品集合，分母归一化是惩罚那些操作过很多物品的用户，因为他们会使分母过大而无法区分相似度;有了这个公式之后就可以根据用户的行为取推荐物品了;$s_{uv}$是用户$u$和用户$v$的相似度，$r_{vi}$则是用户$v$的操作得分，同样要归一化，因为需要关注用户$v$,$v$是和$u$相似的前k个用户，同时与用户$u$行为过相同的物品$i$，这样就可以得到用户$u$对物品$i$的推荐度得分。

公式升级

• 理论意义：降低那些异常活跃物品对与用户相似度的贡献（比如A购买了《新华词典》和《机器学习》，《新华词典》大家都会买，是没办法反映用户兴趣的。）
  

分子的改变反映出的是对用户都作用的物品$i$的影响力削弱。

• 理论意义，不同用户对统一item行为的时间段不同应该给予时间惩罚
  

公式中反映出用户对物品$i$作用时间差如果越大，那么这个对用户相似度的影响就越小。