推荐算法(1)：协同过滤总结 / 开普饭

一、协同过滤方法：
（1）基于内容/基于领域的协同过滤
ICF
计算items之间的相似度，推荐与A的已知item最相关的item

步骤：
1.输入item-user矩阵
2.求item-item相似度（不同相似度度量：person系数、曼哈顿距离、余弦值、欧几里得距离）
3.根据相似度求评分

UCF
计算user之间的相似度，推荐相似用户A的item给B。
步骤：
1.输入item-user矩阵
2.求user-user相似度（不同相似度度量：person系数、曼哈顿距离、余弦值、欧几里得距离）
3.根据相似度求评分

（2）基于Model的协同过滤
1.用关联算法做协同过滤
（1）Apriori
算法流程：
下面我们对Aprior算法流程做一个总结。

输入：数据集合D，支持度阈值α
　　　　输出：最大的频繁k项集

1）扫描整个数据集，得到所有出现过的数据，作为候选频繁1项集。k=1，频繁0项集为空集。
2）挖掘频繁k项集

a) 扫描数据计算候选频繁k项集的支持度

b) 去除候选频繁k项集中支持度低于阈值的数据集,得到频繁k项集。如果得到的频繁k项集为空，则直接返回频繁k-1项集的集合作为算法结果，算法结束。如果得到的频繁k项集只有一项，则直接返回频繁k项集的集合作为算法结果，算法结束。

c) 基于频繁k项集，连接生成候选频繁k+1项集。

3）令k=k+1，转入步骤2。

（2）FPGrowth
FP Tree算法包括三步：

1）扫描数据，得到所有频繁一项集的的计数。然后删除支持度低于阈值的项，将1项频繁集放入项头表，并按照支持度降序排列。

2）扫描数据，将读到的原始数据剔除非频繁1项集，并按照支持度降序排列。

3）读入排序后的数据集，插入FP树，插入时按照排序后的顺序，插入FP树中，排序靠前的节点是祖先节点，而靠后的是子孙节点。如果有共用的祖先，则对应的公用祖先节点计数加1。插入后，如果有新节点出现，则项头表对应的节点会通过节点链表链接上新节点。直到所有的数据都插入到FP树后，FP树的建立完成。

4）从项头表的底部项依次向上找到项头表项对应的条件模式基。从条件模式基递归挖掘得到项头表项项的频繁项集。

5）如果不限制频繁项集的项数，则返回步骤4所有的频繁项集，否则只返回满足项数要求的频繁项集。

2.用聚类
(1)kmeans
(2)minibatchkmeans
分批数据进去训练
(3)birch 层次聚类
数据集建立CF tree
再在CF tree的基础上聚类

3.用分类
（1）贝叶斯分类器
某个人对物品的评分的概率，可以用贝叶斯的后验概率求出

（2）逻辑回归

（3）KNN

4.用回归

5.隐语义
（1）用矩阵分解：
基于SVD推荐
先分解成三个矩阵，再新构成两个相关矩阵，最后进行评分

(2)Funk SVD (LFM) （基于NMF推荐）
在SVD的基础上，加上了正则项，对p,q进行限制。

(3)LFM改进 (加偏置)
利用隐语义模型可以对评分矩阵中的缺省值进行预测，但是模型没有考虑用户和物品本身的属性，现实中用户和物品属性本身有时就会存在较大的差异。例如乐观用户对物品的评分要普遍高于消极用户对物品的评分，质量好的物品获得的评价要普遍高于质量劣的物品。即使他们对同一物品的评分相同，他们对该物品的偏好程度也可能不同，因此需要在原有的模型中加入偏置因子来区别不同的用户和物品。