UserCF算法

UserCF (User-based Collaborative Filtering)算法使用朴素的“人以群分”的思想。
基本思路是先找到相似用户，再找到他们喜欢的物品。
例如，如果用户A和用户B是相似的，现在给用户A推荐物品，就可以把用户B关注的但用户A没关注的物品推荐给用户A。
推荐原理

UserCF算法步骤

步骤1：找到与待推荐用户兴趣相似的用户集合
步骤2：从这些相似用户喜欢的物品中选出目标用户没有关注的物品，并将它们推荐给目标用户

基于用户行为相似度，计算兴趣相似度。具体来说，用户行为是指喜欢某些物品。
将不同用户喜欢的物品列表看做是不同的集合，通过集合求相似的方法，得出用户行为相似度。
用户相似度

Jaccard相似系数可以比较有限集合(A与B)之间的相似性和差异性。
Jaccard系数等于A与B交集的大小除以A与B并集的大小，取值范围在0到1之间。
越接近1表示越相似，越接近0表示越不相似。
1代表两个集合完全相似，0代表两个集合完全没有交集。
Jaccard相似算法

余弦相似度计算公式为：Cos(A,B) = (A和B交集大小) / 根号下(A集合大小 * B集合大小)，取值范围在0到1之间。
越接近1表示越相似，越接近0表示越不相似。
1代表两个集合完全相似，0代表两个集合完全没有交集。

得到用户之间兴趣相似度后，接下来要对某个用户进行推荐。
UserCF算法会为用户推荐与他兴趣最相似的K个用户的感兴趣物品，并且会对推荐物品进行排序。
UserCF推荐算法

设置有ABCD 4个用户，abcde 5个物品，每个用户对每个物品都有一个评分，该评分代表用户对物品喜爱程度。
用户物品评分表

结合用户评分表，可以用余弦相似度，求出用户C与每个用户相似度。

C与A相似度 = N(C)与N(A)的交集数量 / 根号下(N(C)元素数量 * N(A)元素数量)
其中N(C)中包含b和e，N(A)中包含a,b,d，因此在分子中N(C)与N(A)的交集是b，对应数量是1；分母中两个集合元素数量相乘，等于根号6。
用户相似度案例

根据用户C与每个用户相似度，为用户C推荐物品

根据用户A、B、C 3个用户的情况，为用户C推荐，K=3。
C没有关注过的物品为a、c、d，公式中u=C，i={a,c,d}
为a、c、d 3个物品进行排序，就是计算出P(C,a)、P(C,c)、P(C,d)，然后再排序。
用户推荐案例

UserCF算法是一种基于用户行为相似度的协同过滤算法。

通过计算用户之间的兴趣相似度，找到与目标用户兴趣相似的用户集合，并推荐这些用户喜欢的，但目标用户没有关注的物品。

Jaccard相似系数和余弦相似度是常用的用户相似度计算方法。

UserCF算法可以为用户提供个性化的推荐结果。