时间：2017年5月
出处：
声明：版权所有，转载请联系作者并注明出

虽然目前工业界很少再直接通过itemCF来进行推荐，但可以从这个算法中体会到这种集体智慧的应用。

充分利用集体智慧，即在大量的人群的行为和数据集中收集***，以帮助我们对整个人群得到统计意义上的结论，推荐的个性化程度高。
基于以下两个出发点：
（1）兴趣相近的用户可能会对同样的东西感兴趣；
（2）用户可能较偏爱与其已购买的东西相类似的商品。
也就是说考虑进了用户的历史习惯，对象客观上不一定相似，但由于人的行为可以认为其主观上是相似的，就可以产生推荐了。

根据所有用户对物品或者信息的评价，发现物品和物品之间的相似度，然后根据用户的历史偏好信息将类似的物品推荐给该用户，如图所示：
上图表明基于项目的协同过滤推荐的基本原理，用户A喜欢物品A和物品C，用户B喜欢物品A、物品B和物品C，用户C喜欢物品A，
从这些用户的历史喜好中可以认为物品A与物品C比较类似，喜欢物品A的都喜欢物品C，基于这个判断，用户C也可能喜欢物品C，
所以推荐系统将物品C推荐给用户C。

基于物品的协同过滤关键步骤

（1）计算物品之间的相似度。
（2）根据物品的相似度和用户的历史行为给用户生成推荐列表。
ItemCF算法并不利用物品的内容属性计算物品直接的相似性,她主要通过分析用户的行为记录计算物品直接的相似度。
IUF(Inverse User Frequence)参数,即用户活跃度对数的倒数的参数,认为活跃用户对物品相似度的贡献应该小于不活跃的用户。

2.2.计算物-物相似度矩阵

计算物品之间的相似度公式：

* |N(i)|是喜欢物品i的用户数，所以分子是同时喜欢物品i和物品j的用户数。

* 上述公式可以理解为喜欢物品i的用户中有多少比例的用户也喜欢物品j。

* 分母惩罚了物品j的权重，可以避免推荐出热门的物品，从而使推荐系统更致力于挖掘长尾信息。

* 用itemCF算法计算物品的相似首先度时，建立用户-物品倒排表，然后对于每个用户，将他物品列表中的物品两两在共现矩阵C中加1.

2.3.基于物-物相似度矩阵，进行TopK排序推荐

在得到物品之间的相似度后，itemCF算法通过如下公式计算用户u对一个物品j的兴趣：

* N(u)是用户喜欢的物品的集合

* S(j,K)是和物品j最相似的K个物品的集合

* w是物品j和i的相似度

* r是用户u对物品i的兴趣。

该公式的含义是，和用户历史上感兴趣的物品越相似的物品，越有可能在用户的推荐列表中获得比较高的排名。

　　今天给大家介绍一下CF中什么特殊符号可以用，CF特殊符号的输入方法，给大家分享一下，希望大家喜欢

　　可用的cf名字符号：

　　← ◎ ↑ ◇ ↓ ◆ 〓 □ ¤ ℃

　　°‰ ? ∑ の ≌ つ Θ 阝

　　丨 廾 宀 ≮ ≯ ° ╮ ˊ

　　￠ ⊙ メ ︶ ㄣ ╭

　　ァ ↗ ↘ ㄟ 乁 ~ ■

　　特殊符号的输入方法：

　　方法一：用电脑符号

　　按住ALT，在小键盘上敲以下的数字,然后松开就出来了

　　方法二：输入法输入

　　在搜狗/QQ/百度拼音输入法中输入：huo=“灬”