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
1700499040
1700499041
1700499042
1700499043
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。
1700499044
1700499045
3）合并前一天计算的商品相似度数据，进行投票判断，选择相似度较大的作为新的商品相似度，从而实现增量式商品相似度计算。
1700499046
1700499047
1700499048
1700499049
1700499050
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497518]
1700499051
数据挖掘与数据化运营实战：思路、方法、技巧与应用 3.11.4 商品推荐模型总结
1700499052
1700499053
对于商品推荐模型，除了上述介绍的基于关联规则和基于协同过滤的算法外，还有其他一些常用的算法，譬如基于内容的算法，即根据商品标题、类目和属性等信息，计算商品之间的关系，然后结合用户行为特征，为用户提供商品推荐。商品推荐模型面临着许多重要问题，譬如特征提取问题，即如何从商品标题、类目和属性中提取商品的重要特征、新用户问题，即如何解决用户行为较少，提升推荐质量、新商品问题，即如何处理长尾商品问题，让更多的商品有推荐展现的机会、稀疏性问题，即对于庞大的用户和商品数据，用户评分数据往往会显得非常稀疏等。面对这些问题，在实际应用中，需要根据业务场景，充分利用各种算法的优点，从而设计出混合推荐算法，以便提升推荐质量。
1700499054
1700499055
1700499056
1700499057