R中协同过滤算法

协同过滤（Collaborative Filtering,简称CF）

协同过滤常常被用于分辨某位特定顾客可能感兴趣的东西，这些结论来自于其他相似顾客对哪些产品感兴趣的分析。

数据结构

协同过滤，主要收集每个用户对使用过的物品的评价。

评价可以理解为经常在电商网站上出现的，五星级的评分。

注意：不同用户的评分标准不同，所以需要对评分进行标准化处理。

标准化为0-1之间的值。

①用户评分向量



②商品评分向量



③向量距离计算（采用欧氏距离）

④相似度计算（Similarity）

sim(x,y)=1/1+d(x,y)

⑤越接近1越相似，越接近0越不相似

⑥相似邻居计算

固定数量的邻居（k-neighborhods）

不论邻居的“远近”，只取最近的k个，作为其邻居。

基于相似度门槛的邻居（Threshold-based neighborhoods）

基于相似度门槛的邻居计算是对邻居的远近进行最大值的限制，落在以当前点为中心，距离k的区域的所有点都作为当前点的邻居。

实现协同过滤的API

（API就是操作系统留给应用程序的一个调用接口，应用程序通过调用操作系统的 API 而使操作系统去执行应用程序的命令）

install.packages(“recommenderlab”)

Recommender(x,method=”UBCF”,parameter)

1、x 训练样本

2、method 推荐方法，UBCF为基于用户的协同过滤方法

3、parameter推荐方法的参数（是一个list对象）

method 距离的计算方法

euclidean 欧式距离

pearson 皮尔森距离

cosine 余弦距离

nn 固定邻居的数量

normalize是否标准化，默认为FALSE

代码实现：

library(recommenderlab)

data <- read.csv('data.csv')

rm <- as(data, "realRatingMatrix")

rec <- Recommender(
rm,
method="UBCF",
parameter=list(
method="euclidean",
nn=3
)
)

pre <- predict(rec, rm, n=1)

as(pre, 'list')

$`1`
[1] "104"

$`2`
[1] "107"

我们可以看到，给用户1推荐的是104，给用户2推荐的是107

协同过滤算法目前应用于各大电商网站，我们经常可以电商网站中看到猜你喜欢之类的栏目，就是根据协同过滤算法得到的结果！