1700498990
1700498991
1700498992
1700498993
依此类推，可以计算出其他未知的评分。
1700498994
1700498995
2.基于项目的协同过滤
1700498996
1700498997
基于项目（Item-Based）的协同过滤算法是常见的另一种算法。与User-Based协同过滤算法不一样的是，Item-Based协同过滤算法计算Item之间的相似度，从而预测用户评分。也就是说该算法可以预先计算Item之间的相似度，这样就可提高性能。Item-Based协同过滤算法是通过用户评分数据和计算的Item相似度矩阵，从而对目标Item进行预测的。
1700498998
1700498999
和User-Based协同过滤算法类似，需要先计算Item之间的相似度。并且，计算相似度的方法也可以采用皮尔逊关系系数或者余弦相似度，这里给出一种电子商务系统常用的相似度计算方法，即基于条件概率计算Item之间的相似度，计算公式如下所示：
1700499000
1700499001
1700499002
1700499003
1700499004
其中，s(i,j)表示项i和j之间的相似度；freq(i∩j)表示i和j共同出现的频率；freq(i)表示i出现的频率；freq(j)表示j出现的频率；α表示阻力因子，主要用于平衡控制流行和热门的Item，譬如电子商务中的热销商品等。
1700499005
1700499006
接下来，根据上述计算的Item之间的相似度矩阵，结合用户的评分，预测未知评分。预测公式如下所示：
1700499007
1700499008
1700499009
1700499010
1700499011
其中，pu,i表示用户u对项i的预测评分；S表示和项i相似的项集；s(i,j)表示项i和j之间的相似度；ru,j表示用户u对项j的评分。
1700499012
1700499013
3.Item-Based协同过滤实例
1700499014
1700499015
在电子商务推荐系统中，商品相似度计算有着很重要的作用。它既可用于一些特定推荐场景，譬如直接根据当前的商品，为用户推荐相似度最高的Top N商品。同时，它还可以应用于个性化推荐，从而为用户推荐商品。电子商务网站收集了大量的用户日志，譬如用户点击日志等。
1700499016
1700499017
基于Item-Based协同过滤算法，笔者提出了一种增量式商品相似度的计算解决方案。该算法计算流程如图3-6所示。
1700499018
1700499019
1700499020
1700499021
1700499022
图3-6 增量式商品相似度计算流程图
1700499023
1700499024
其中，商品关系i表示第i天的商品关系数据集。
1700499025
1700499026
具体计算步骤如下。
1700499027
1700499028
1）获取当天用户点击行为数据，过滤掉一些噪声数据，譬如商品信息缺失等。从而得到用户会话sessionID、商品ID（商品标识）、浏览时间等信息，如表3-7所示。
1700499029
1700499030
1700499031
1700499032
1700499033
由于A4的浏览时间和A1、A2、A3相差较大，因此将其过滤掉，这里定义为1800秒，如表3-8所示。
1700499034
1700499035
1700499036
1700499037
1700499038
2）首先，计算任意两种商品之间的共同点击次数。然后，根据基于条件概率的商品相似度计算方法来计算商品的相似度。商品相似度公式如下。
1700499039