基于用户的协同过滤
2011-12-06 13:53
141 查看
步骤：
1. 找出与当前用户最相似的k个用户
2. 计算出所有被这k个用户购买的商品，并且为每个商品赋一个权重
3. 根据权重排序，并且过滤当前用户已经买过的商品
关键在于如何找出最相似的用户，以及如何给商品权重。相似用户可以用余弦夹角计算距离。商品权重可以看以往的购买历史之类的。
缺点:
1. 计算复杂度高
2. 实时要求达不到
1. 找出与当前用户最相似的k个用户
2. 计算出所有被这k个用户购买的商品，并且为每个商品赋一个权重
3. 根据权重排序，并且过滤当前用户已经买过的商品
关键在于如何找出最相似的用户，以及如何给商品权重。相似用户可以用余弦夹角计算距离。商品权重可以看以往的购买历史之类的。
缺点:
1. 计算复杂度高
2. 实时要求达不到
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- 【Machine Learning】Mahout基于协同过滤(CF)的用户推荐
- 基于用户的协同过滤
- 基于用户的协同过滤（user-based CF）推荐系统【2】
- 【Machine Learning】Mahout基于协同过滤(CF)的用户推荐
- 基于用户的协同过滤(UserBased Recommendation)
- python3实现简单的基于用户的协同过滤
- 协同过滤：基于用户的协同过滤itemCF
- 基于用户相似性的协同过滤——Python实现
- 个性化推荐基本算法及源码分析（一）— 基于用户的协同过滤
- python3实现基于用户的协同过滤
- 基于用户的协同过滤（user-based CF）推荐系统【1】
- 基于用户的协同过滤(user-based collaborative filtering)
- 推荐系统（基于用户的协同过滤）入门总结
- 基于淘宝点击及购买记录的口碑商家推荐——基于用户的协同过滤
- 【推荐系统实战】：C++实现基于用户的协同过滤（UserCollaborativeFilter）
- 推荐系统 基于用户和基于物品的协同过滤 （推荐系统实践读书笔记）
- 【推荐系统实战】：C++实现基于用户的协同过滤（UserCollaborativeFilter）
- 推荐系统入门（协同过滤 基于内容 基于用户 基于项目 ）
- shrio教程初级（二）基于url拦截-用户认证
- win7基于mahout推荐之用户相似度计算