基于用户的推荐算法

UserCF：UserCollaborationFilter，基于用户的协同过滤 算法核心思想：在一个在线推荐系统中，当用户A需要个性化推荐时，可以先找到和他有相似兴趣的其它用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A，这种方法称为基于用户的协同过滤算法。 可以看出，这个算法主要包括两步： （1）找到和目标用户兴趣相似的用户集合——计算两个用户的兴趣相似度 （2）找

利用上下文信息 时间上下文信息 一般认为，时间信息对 用户兴趣的影响表现在以下几个方面： 用户兴趣是变化的：我们这里提到的用户兴趣变化是因为用户自身原因发生的变化。比如 随着年龄的增长，用户小时候喜欢看动画片，长大了喜欢看文艺片。 一位程序员随着 工作时间的增加，逐渐从阅读入门书籍过渡到阅读专业书籍。 一个人参加工作了，工作 后的兴趣和学生时代的兴趣相比发生了变化。 当然， 考虑用户最近的兴趣只能针对渐变的用户兴趣，而对突变的用户兴趣很难起作用，比如用户突然中奖了。 物品也是有生命周期的 一部

数据反馈信息 显性反馈数据和隐性反馈数据 显性反馈数据 概述 显性反馈行为包括用户明确表示对物品喜好的行为。这里的主要方式就是评分和喜欢/不喜欢。 特点 用户兴趣：明确 数量：较少 存储：数据库 实时读取：实时 正负反馈：都有 案例 视频网站：用户对视频的评分 电子商务网站：用户对商品的评分 门户网站：用户对新闻的评分 音乐网站：用户对音乐/歌手/专辑的评分 隐性反馈数据 概述 隐性反馈行为指的是那些不能明确反应用户喜好 的行为。最具代表性的隐性反馈行为就是页面浏览行为。

基于用户的协同推荐算法。这个算法是最早诞生的推荐算法的一种，而且该算法的原理也比较简单。下面就简单介绍一下它的思想和原理。 一、基本思想 大家在日常使用的一些App中，相信也或多或少地遇到过基于用户的协同推荐算法。比如我经常浏览的B站，我们关注过一些UP主之后，系统就会有额外的推荐供选择。 当然，这其中的算法会更为复杂，它可能会根据日常使用App的行为习惯，系统将用户归为某一领域的爱好者，当你关注某一UP主之后，系统就能提供其他你可能也敢兴趣UP。而基于用户的协同推荐算法简单点来理解就是当一个用户需要个性

文章目录基于用户行为分析的推荐算法用户行为数据简介用户行为分析用户活跃度和物品流行度的分布用户活跃度和物品流行度的关系实验设计和算法测评数据集实验设计评测指标基于领域的算法基于用户的协同过滤算法 基于用户行为分析的推荐算法 这种算法称为协同过滤算法，协同过滤是指用户可以齐心协力，通过不断的和网站互动，使自己的推荐列表能够过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。 用户行为数据简介 用户行...