ItemCF no utiliza los atributos de contenido de los elementos para calcular la similitud entre elementos, sino que registra principalmente la similitud de los elementos mediante el análisis del comportamiento del usuario.
El algoritmo cree que A y B son similares porque a la mayoría de los usuarios a los que les gusta A también les gusta B.
Utilice el comportamiento histórico del usuario para proporcionar explicaciones recomendadas para los resultados recomendados. Por ejemplo, si me gustan o he coleccionado esculturas de tiro con arco, recomiendo Tian Long Ba Bu.
1. Calcular la similitud de los elementos
2. Generar una lista de recomendaciones basada en la similitud de los elementos y el comportamiento histórico del usuario.
Wij = |El número de personas a las que les gustan los artículos I y J al mismo tiempo|/|El número de personas a las que les gusta el artículo I|
Penalizar los artículos populares:
Wij = |Me gusta al mismo tiempo Número de personas en los elementos I y J |/sqrt (número de personas a las que les gusta I x número de personas a las que les gusta J)* *
Calcular u's de usuario interés en un determinado artículo:
Puj = sum( Sji, Rui) j (-el conjunto de K elementos más similares a j.
El significado de esta fórmula es:
* *Más similar a los elementos que le interesan al usuario en el historial. Es más probable que los elementos ocupen una clasificación más alta en la lista de recomendaciones del usuario.
La popularidad de itemCF es mejor, pero la precisión no. no aumenta a medida que aumenta el valor k.
1. IUF
Sij = cij /match.sqrt(N[i]*N[j]) calcula la similitud de los elementos
Si está debilitado, simplemente ignore cij =(1+1/log(1+n(u)).
2. Por supuesto, los usuarios muy activos también pueden ser ignorados. .
W' ij =Normalizado por clase wij/maxJ(wij).
Después de la normalización, la cobertura se puede aumentar en 4 puntos porcentuales.