ITEM CF

 
其中， S(u, K) 包含和用户 u 兴趣最接近的 K 个用户， N(i) 是对物品 i 有过行为的用户集合， w uv

是用户 u 和用户 v 的兴趣相似度， r vi 代表用户 v 对物品 i 的兴趣，因为使用的是单一行为的隐反馈数

据，所以所有的 r vi =1 。

如下代码实现了上面的 UserCF 推荐算法：

def Recommend(user, train, W):

rank = dict()

interacted_items = train[user]

for v, wuv in sorted(W[u].items, key=itemgetter(1), \

reverse=True)[0:K]:

for i, rvi in train[v].items:

if i in interacted_items:

#we should filter items user interacted before

continue

rank[i] += wuv * rvi

return rank

 这里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 ji 是物品j和i

的相似度，r ui 是用户u对物品i的兴趣。 （对于隐反馈数据集，如果用户u对物品i有过行为，即可令

r ui =1。 ）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。该公式的实现代码如下所示。

def Recommendation(train, user_id, W, K):

rank = dict()

ru = train[user_id]

for i,pi in ru.items():

for j, wj in sorted(W[i].items(), /

key=itemgetter(1), reverse=True)[0:K]:

if j in ru:

continue

rank[j] += pi * wj

return rank