协同过滤 Collaborative Filtering

协同过滤 collaborative filtering

人以类聚，物以群分

相似度

1. Jaccard 相似度

定义为两个集合的交并比：

Jaccard 距离，定义为 1 - J(A, B)，衡量两个集合的区分度：

为什么 Jaccard 不适合协同过滤？—— 只考虑用户有没有看过，没考虑评分大小

2. 余弦相似度

根据两个向量夹角的余弦值来衡量相似度：

为什么余弦相似度不适合协同过滤？—— 不同用户各自评分总和不一样，导致评分占总比不一样，可能计算出和事实相反的结果。

3. Pearson 相似度

解决余弦相似度中的相似度差异问题，又称中心余弦算法。先中心化，再算余弦相似度，这样正值表示正相关，负值表示负相关。

基于用户的协同过滤

通过用户对物品的喜爱程度进行度量和打分。根据不同用户对相同商品或内容的态度进行商品推荐。

举例说明，每个行向量表示某个用户对所有电影的评分

先把数据中心化

然后计算用户 A 和其他用户的 Pearson 相关系数：

可以发现用户 A 和用户 B 喜好接近，因此可以将 B 喜欢但 A 没看过的密室推荐给 A，同时也可以将 A 喜欢但 B 没看过的火焰杯推荐给 B。

用户法存在的问题：

　　1. 数据稀疏性。物品太多，不同用户之间买的物品重叠性较低，导致无法找到一个偏好相似的用户

　　2. 算法扩展性。最近邻算法的计算量随着用户和物品数量的增加而增加，不适合数据量大的情况使用。

基于物品的协同过滤

通过计算不同用户对于不同物品的评分，获得物品间的关系。基于物品间的关系对用户进行相似物品的推荐。

举例说明，每一个行向量表示某个物品被各个用户的评分，先中心化

如何预测用户 E 对 哈利波特的喜好程度？计算哈利波特和其他电影之间的 Pearson 相关系数

选择相关性较大的其他电影，拿出用户 E 对这些电影的评分，利用 Pearson 相关系数做 weighted sum：

从原理上看，基于用户或基于物品都是可以的，但实践中以物品为基础效果更好，且需要很少的数据就可以进行预测，用户法需要大量数据。

基于模型的协同过滤 

主流方法主要有以下几种。先占坑，慢慢补吧

1. 关联算法

Apriori，FP Tree 和 PrefixSpan

刘建平老师的博客：

Apriori算法原理总结

FP Tree算法原理总结

PrefixSpan算法原理总结　

2. 聚类

K-means，谱聚类， BIRCH 和 DBSCAN

之后自己总结一下 k-means 和谱聚类

BIRCH聚类算法原理

DBSCAN密度聚类算法

3. 矩阵分解

Matrix Factorization

要处理的数据样式

要先做 encoding，把 categorical features 转换为 numerical features。最简单就是 one-hot encoding，把 id 映射成 binary vector。

某个用户没看过的电影，评分就是空出来的。

用线性网络来预测评分的话，需要两个矩阵（两层的权重参数）。每一个 user 在隐含层的输出就相当于直接从 V 中查表。相当于做了一次映射、一次线性组合。

训练的目标函数呢？—— 均方误差呗

比较直接的想法就是，干脆把 R 矩阵分解成两个矩阵相乘的形式就好了。根据已有的评分来学习 W 和 V 的参数。

优化方法：

1. 目标函数如下所示，交替更新 W 和 V 的参数（如果把 R 转置，其实 W 和 V 从形式上就是对称的）。

这种优化方法叫做交替最小二乘，能得到局部最优解。

2.直接用 SGD，更有效率。

梯度公式：

优化过程：

SVD 协同过滤

奇异值矩阵的特征值按照从大到小排列且迅速减小，可以把大矩阵用三个小矩阵来近似描述，实现降维和去噪，应用于协同过滤中可以减少计算量。

用 K 维 SVD 分解做协同过滤，实际上就是找一组 latent variables，U 和 V 分别描述了物品与隐变量、用户与隐变量之间的关系。 然后就可以都在 latent space 中表示。

举例说明，4 个用户对 6 部电影的评分情况

做二维 SVD 分解：

在 latent space 中表示用户和电影，发现电影之间、用户之间、电影和用户之间，都可以衡量中心余弦相似度。

如果出现一个新用户，如何给他推荐他没有看过的电影？

把新用户投影到 latent space

找到和新用户相似度高的用户，把相似用户评分高而新用户没看过的电影，按相似用户的评分高低顺序先后推荐给新用户即可。

Factorization Machine

https://www.cnblogs.com/pinard/p/6370127.html

4. 分类算法

LR（可解释性强，便于做特征工程），朴素贝叶斯

GBDT

5. 回归算法

Ridge,  决策树，支持向量回归

6. 神经网络

YouTube Recommendation System 引出的一系列基于 NN 的推荐模型

7. 图模型

SimRank，马尔可夫模型

8. 隐语义模型

LSA，LDA