概述
用户相似度计算的改进
上一节介绍了计算用户兴趣相似度的最简单的公式（余弦相似度公式），
但这个公式过于粗糙，本节将讨论如何改进该公式来提高UserCF的推荐性能。首先，以图书为例，如果两个用户都曾经买过《新华字典》，这丝毫不能说明他们兴趣相似，因为绝大多数中国人小时候都买过《新华字典》。但如果两个用户都买过《数据挖掘导论》，那可以认为他们的兴趣比较相似，因为只有研究数据挖掘的人才会买这本书。换句话说，两个用户对冷门物品采取过同样的行为更能说明他们兴趣的相似度。因此，John S. Breese在论文中提出了如下公式，根据用户行为计算用户的兴趣相似度：
可以看到，该公式通过
惩罚了用户u和用户v共同兴趣列表中热门物品对他们相似度的影响。本节将基于上述用户相似度公式的UserCF算法记为User-IIF算法。下面的代码实现了上述用户相似度公式。
def UserSimilarity(train):
# build inverse table for item_users
item_users 最后
以上就是清秀小伙为你收集整理的基于用户的协同过滤算法（二）：用户相似度计算的改进用户相似度计算的改进的全部内容，希望文章能够帮你解决基于用户的协同过滤算法（二）：用户相似度计算的改进用户相似度计算的改进所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复