机器学习（一）协同过滤推荐算法

1、算法简介
（1）推荐算法常见使用场景：电商产品推荐。基于产品的算法推荐，是分析用户历史行为数据，选择用户的浏览量、点赞数、评论数等数据高的产品，去推荐相似产品给用户。
（2）推荐算法作用：帮助用户发现他们感兴趣的产品。（1）节省用户的搜索时间，提高用户体验，减少流失。（2）延长用户的网站使用时间，提高用户忠诚度。

2、算法原理
（1）计算产品之间的相似度，生成相似度矩阵：
计算产品相似度可用3种方法：夹角余弦、杰卡德（Jaccard)相似系数、相关系数。
注：用户行为为二元选择（0/1）时，建议采用杰卡德相似系数。

相似度矩阵：

（2)基于产品相似度和用户已浏览产品a的数据，根据公式P=SIM*R,计算用户对未浏览产品b的感兴趣程度。

• P-用户对b产品的感兴趣程度

• SIM-a与b产品之间的相似度

• R-用户对a产品感兴趣与否（1/0）

（3）基于产品相似度矩阵，推荐算法会给用户推荐与其数据最高产品最相似的K个产品。也可以基于产品兴趣度，给用户推荐其兴趣度最高的K个产品。

3、算法实现：
基于Python的Numpy库

import numpy as np

#计算杰卡德相似系数的函数
#a:喜欢a产品的用户数
#b：喜欢b产品的用户数
def Jaccard(a,b):
	return 1.0*(a*b).sum()/(a+b-a*b).sum()

class Remommendor():
	sim =None #相似度矩阵

	#计算相似度矩阵的函数
	def similarity(self,x,jaccard):
		y = np.ones((len(x),len(x)))
		for i in range(len(x)):
			for j in range(len(x)):
			 	y[i,j] = jaccard(x[i],y[j])
		return y 
	#训练函数
	def fit(self,x,jaccard = Jaccard):
		self.sim = self.similarity(x.jaccard)
	
	#推荐函数
	def recommend(self,a):
		return np.dot(self.sim,a)*(1-a)

4、模型评估：
对于用户可给产品打分的网站，使用预测准确度的评估指标。
对于用户只能选择“喜欢与否\浏览与否”的网站，要用分类准确度的评估指标。

这里重点解释基于分类准确度数据构建的模型的3个评估指标：

(1)准确率precesion：用户对被推荐产品感兴趣的概率；
准确率=用户被推荐产品中喜欢的数目/用户被推荐产品总数
(2)召回率recall:一个用户喜欢的产品被推荐的概率；
Recall=用户喜欢且被推荐的产品数/（用户喜欢且被推荐产品数+用户喜欢且违背推荐产品数）；
（3）F1：综合考虑准确率和召回率，更好地评价算法的优劣；
评估指标分数越高越好。

5、注意事项

以上为个性化推荐，还有2种相关推荐列表：
（1）推荐用户购买过的商品的相关商品
（2）推荐浏览过该商品的其他用户经常购买的其他商品
相关推荐列表，是根据不同用户的行为，去计算商品的相似性，后面再写；