推荐系统协同过滤详解大数据

      推荐系统的应用遍及电商网站，基本上的电商网站几乎都有推荐系统，比如一些电影网站，当你看一部恐怖片后，网站会推荐一些口味比较相似的恐怖片，还有就是你在淘宝浏览了一个某品牌的手机，那淘宝可能推荐其他品牌的手机，或同类品牌不同类型的手机。可以说推荐系统已经全面的应用到各种场合，下面我们就来一起学习推荐系统之协同过滤；

  协同过滤可以分为基于物品的协同过滤、基于用户的协同过滤；一般电商网站用基于物品的协同过滤比较多；

基于同现度为相似度的物品协同过滤一般分以下步骤：

   第一步：数据清洗和降噪（省略）

   第二步：建立物品同现矩阵推荐

   第三歩：根据用户行为给予

下面就以以下数据为例说明，数据的第一列为用户ID，第二列为电影ID，第三列为用户评分；

基于以上数据用itemCF处理；下面建立同现矩阵，同现矩阵可以按下面方法建立：

从上图可以看出；商品101和商品102的同现度为3；按照以上方法可以算起所有的同现度见下图：

下面就以另外一个用户的评分结果进行推荐，计算方法如下：

故对于U3这个用户计算，根据分数结果，推荐他没有看过的103电影；以上步骤推荐完成；但对于推荐结果也进行量化，进行量化的指标有两个：查全率和查准率

   A ： 表示推荐给我的，就是我想要的

   B :   表示我想要的，但没有推荐给我

   C :   推荐给我的，但不是我想要的

   D :  我不想要的，刚好没有推荐给我

  查准率：反应推荐的结果是否是准确的，及我想要的

   计算计算公式：A/A+C

 查全率： 反应我想要的是否全推荐给我

   计算公式：A/A+B