基于用户的协同过滤算法—推荐关注的用户
简介：
基于用户的协同过滤算法很早就出现了，是推荐系统最古老的最著名的算法，1992年被提出并用于邮件系统过滤，之后很久也一直被业界广泛的使用。什么叫做基于用户的协同过滤算法呢？简单来说就是把和你在同一个兴趣圈子里的人的爱好推荐给你。比如说：你加入了一个文艺青年阅读的圈子，那么意味着你和圈子里的人都有着相同的阅读兴趣，如果你那天想看一本新书，有不知道看哪些书，那么这个圈子里的人推荐你一本《生命不能承受之轻》，你发现这本书你没有看过，而且正好还符合你的阅读口味，其实通过用户推荐物品的行为，就叫做基于用户的协同过滤算法。
什么时候使用推荐系统：
需求的数据信息过载。
没有明确的选择目标。
比如你选择一首好听的歌，首先新歌老歌各种风格的歌曲库十分丰富。你现在只是想听一首歌，确并不知道听那首歌，如果确切知道那首歌直接就可以通过搜索引擎选出来。如果你关注的一个朋友在听一首新出来的歌，那么把这首歌推荐给你，很有可能是你喜欢的风格。
推荐系统带来的巨大利益
亚马逊的前科学家Greg Linden在他的博客里说过，在他离开亚马逊的时候，亚马逊至少有20%的销售来自于推荐算法。此外亚马逊的前首席科学家Andreas Weigend在斯坦福曾经讲过一次推荐系统的课，据听他课的同学透露，亚马逊有20%~30%的销售来自于推荐系统。
就在我购买《推荐系统实践》这本书的时候，推荐系统同时推荐了另外一本相关的书，看了下简介也很感兴趣，咬牙一起买了，看这就把点击率有效的转化为购买行为了。
算法原理
实现基于用户的协同过滤算法主要包括两个步骤：
找到与目标用户兴趣相似的用户集合
找到这个集合中用户喜欢的、并且目标用户没有听说过的物品推荐给目标用户
首先寻找和用户兴趣相契合的用户集合，这里我们主要用到2个公式来计算两个用户的兴趣相似度。
jaccard公式：
余弦相似度公式：
这里N便是集合，u，v分别表示两个用户的感兴趣的人或物的集合。
其次，根据以上公式得到用户的兴趣相似度后，UserCF算法会给用户推荐和他兴趣最相似的K个用户喜欢的物品。
如下公式计算用户u对物品i的感兴趣程度：
rvi 表示用户 v 对 i 的喜欢程度，在本例中都是为 1，在一些需要用户给予评分的推荐系统中，则要代入用户评分。
实例讲解：
本文将基于之前的博文《使用C#+Jumony开发网络爬虫并对数据做相关分析》
使用爬虫爬取的 伯乐在线 网站的用户信息实现。
数据实体：
- 用户，使用网站主页URL地址作为唯一标识
例如：用户：唐小娟，主页URL地址为：http://www.jobbole.com/members/ tangxiaojuan/
- 该用户的关注人，目前爬虫只取主页有的关注用户，其他更多关注用户没有获取。
实现过程：
1.初始化用户数据加载，并输入相关的参数。
源码如下：
Console.WriteLine("初始化数据");
MyUsers = new List<User>();
InitUser();
Console.WriteLine("数据准备完毕...");
Console.WriteLine("请输入推荐人数：");
int needCount = Convert.ToInt32(Console.ReadLine());
Console.WriteLine("请输入用户名，URL地址名");
string nameUrl = Console.ReadLine();
nameUrl = nameUrl.TrimEnd('/');
User user = MyUsers.Where(s => s.Url.Contains(nameUrl)).FirstOrDefault();
if (user == null)
{
Console.WriteLine("未查到此用户！");
Console.ReadLine();
return;
}
2.计算所有用户和输入用户的相似度，并排除掉相似度等于0的用户。
在本次实例代码中采取的是Jaccard公式来计算相似度的。
源码如下：
int writeInId = user.Id;//准备推荐人
//计算所有用户和输入用户的相似度，并排除掉相似度等于0的用户
List<UserSorce> userSorces = new List<UserSorce>();
foreach (var item in MyUsers)
{
if (item.Id == writeInId)
continue;
UserSorce userSorce = new UserSorce();
//使用Jaccard公式计算兴趣相似度
double numerator = user.Interest.Intersect(item.Interest).Count();
//排除交集等于0的
if (numerator <= 0)
continue;
double denominator = user.Interest.Union(item.Interest).Count();
if (denominator == 0)
continue;
double mark = numerator / denominator;
userSorce.Id = item.Id;
userSorce.Name = item.Name;
userSorce.Url = item.Url;
userSorce.Interest = item.Interest;
userSorce.Sorce = mark;
userSorces.Add(userSorce);
}
if (userSorces.Count <= 0)
Console.WriteLine("无合适的推荐");
userSorces = userSorces.OrderByDescending(s => s.Sorce).ToList();
3.选取n个相似度最高的用户，分别计算出用户的感兴趣程度，按大小排序输出。
源码如下：
//选择最相似的n个用户
Console.WriteLine("==========================");
Console.WriteLine("与该用户关注最相似的" + needCount + "用户如下：");
List<string> interests = new List<string>();
for (int i = 0; i < needCount; i++)
{
UserSorce u = userSorces[i];
Console.WriteLine("No." + (i + 1) + " 相似度[" + userSorces[i].Sorce.ToString("F4") + "]" + ":");
Console.WriteLine(u.Name + "(" + u.Url + ")" + Environment.NewLine);
if (u.Interest.Count() == 0)
continue;
if (interests.Count() == 0)
interests = u.Interest;
else
interests = interests.Union(u.Interest).ToList();
}
Console.WriteLine("==========================");
//已经关注的用户
List<string> IsFollowerUsers = user.Interest;
//加上用户本身
IsFollowerUsers.Add(user.Url);
//所有相似度最高的用户关注的人
List<string> exceptInterests = interests.Except(IsFollowerUsers).ToList();
if (exceptInterests.Count <= 0)
Console.WriteLine("无法推荐感兴趣的人！");
List<InterestStar> stars = new List<InterestStar>();
foreach (var interest in exceptInterests)
{
double value = 0;
double depth = 1;//感兴趣的程度
//推荐人
string recommendUser = String.Empty;
for (int i = 0; i < needCount; i++)
{
User u = new User();
u = MyUsers.Where(s => s.Id == userSorces[i].Id).FirstOrDefault();
if (u.Interest.Contains(interest))
{
recommendUser += "[" + u.Name + "]";
double sorce = userSorces.Where(s => s.Id == u.Id).FirstOrDefault().Sorce * depth;
value += sorce;
}
}
InterestStar star = new InterestStar();
var mUser = MyUsers.Where(s => s.Url.Contains(interest)).FirstOrDefault();
if (mUser == null)
star.Name = interest;
else
star.Name = mUser.Name + "(" + mUser.Url + ")";
star.StarSorce = value;
star.RecommendUser = recommendUser;
stars.Add(star);
}
stars = stars.OrderByDescending(s => s.StarSorce).ToList();
int starIndex = 1;
Console.WriteLine(Environment.NewLine + "==========================");
Console.WriteLine("推荐用户感兴趣的人：");
foreach (var item in stars)
{
if (starIndex > needCount)
break;
Console.WriteLine("No." + (starIndex++) + " 感兴趣程度[" + item.StarSorce.ToString("F4") + "]" + ":");
Console.WriteLine("感兴趣的人：" + item.Name);
Console.WriteLine("推荐的人有：" + item.RecommendUser + Environment.NewLine);
}
Console.WriteLine("==========================");
Console.WriteLine("结束");
Console.ReadKey();
测试结果如第一张图所示。
GitHub项目地址：https://github.com/zuiyuewentian/Recommend.git
注：本文参考项亮编著的《推荐系统实践》一书。
文章评论