重磅推出推荐系统系列教程之九：解密“看了又看”和“买了又买”（Item-Based）...

Posted 2021-05-21 mishidemudong

编者按：之前推出了《推荐系统系列教程》，反响不错，前面已经推出了八期，今天按约推出第九期：解密“看了又看”和“买了又买”（基于物品的协同过滤）。希望朋友们多点“在看”，多多转发，我会在“在看”数超过20后推出下一篇教程。

    不管你有没有剁过手，你对“看了这个商品的还看了”这样的推荐形式一定不陌生 。无论是猫还是狗，或者是其他电商网站，这样的推荐产品可以说是推荐系统的标配了。 

 

    类似的还有，如点评标记类网站的“喜欢了这部电影的还喜欢了”，社交媒体网站的“关注了这个人还关注了”，这些都只是文案类似，动词不同而已。 

    这样的推荐形式背后都是来自一个古老的推荐算法，叫做基于物品的协同过滤，通常也被叫作 Item-Based，因为后者更容易搜索到相关的文章，所以被更多 地提及。 

    如果做推荐系统不知道“基于物品的协同过滤”，那等同于做程序员不懂得冒泡 排序。这个朴素的算法，就像是乔峰大战聚贤庄所用的“太祖长拳”一样，简单直接有效，读过高中就懂，用得好也能够战倒绝大多数的武林豪杰。今天，我们就来聊聊这个朴素的算法。 

基于物品(Item-Based)的八卦 

    基于物品的协同过滤算法诞生于1998年，是由亚马逊首先提出的，并在2001年由其发明者发表了相应的论文(Item-Based Collaborative Filtering Recommendation Algorithms)。 

    这篇论文在 Google 学术上引用数已近7000，并且在WWW2016大会上被授予了 “时间检验奖”，颁奖词是：“这篇杰出的论文深深地影响了实际应用”。 历经15年后仍然在发光发热，这个奖它显然受之无愧。 

    虽然今天各家公司都在使用这个算法，好像它是一个公共资源一样，然而并不是这样，亚马逊早在1998年，也就是论文发表的三年前就申请了专利。 

    讲完了算法的八卦，开始说正事了。

基于物品(Item-Based)原 理

    在基于物品的协同过滤出现之前，信息过滤系统最常使用的是基于用户的协同过滤。基于用户的协同过滤首先计算相似用户，然后再根据相似用户的喜好推荐物品，这个算法有这么几个问题:

    1、用户数量往往比较大，计算起来非常吃力，成为瓶颈;

    2、用户的口味其实变化还是很快的，不是静态的，所以兴趣迁移问题很难反应出来;

    3、数据稀疏，用户和用户之间有共同的消费行为实际上是比较少的，而且一般都是一些热门物品，对发现用户兴趣帮助也不大。 

 

    和基于用户的不同，基于物品的协同过滤首先计算相似物品，然后再根据用户消费过、或者正在消费的物品为其推荐相似的，基于物品的算法怎么就解决了上 这些问题呢?

    首先，物品的数量，或者严格的说，可以推荐的物品数量往往少于用户数量；所以一般计算物品之间的相似度就不会成为瓶颈。

    其次，物品之间的相似度比较静态，它们变化的速度没有用户的口味变化快;所以完全解耦了用户兴趣迁移这个问题。

    最后，物品对应的消费者数量较大，对于计算物品之间的相似度稀疏度是好过计算用户之间相似度的。

    根据我在上一篇文章中所说，协同过滤最最依赖的是用户物品的关系矩阵，基于物品的协同过滤算法也不能例外，它的基本步骤是这样的:

    1、构建用户物品的关系矩阵，矩阵元素可以是用户的消费行为，也可以是消费后的评价，还可以是对消费行为的某种量化如时间、次数、费用等;

    2、假如矩阵的行表示物品，列表示用户的话，那么就两两计算行向量之间的相似度，得到物品相似度矩阵，行和列都是物品; 

    3、产生推荐结果，根据推荐场景不同，有两种产生结果的形式。一种是为某一个物品推荐相关物品，另一种是在个人首页产生类似“猜你喜欢”的推荐结果，不要急，稍后我会分别说。 

 

计算物品相似度

    前面较为笼统地说要计算物品之间的相似度，现在详细说说这块。从用户物品关系矩阵中得到的物品向量长什么样子呢？我来给你描述一下:

    1、它是一个稀疏向量;

    2、向量的维度是用户，一个用户代表向量的一维，这个向量的总共维度是总用户数量;

    3、向量各个维度的取值是用户对这个物品的消费结果，可以是行为本身的 布尔值，也可以是消费行为量化如时间长短、次数多少、费用大小等，还可以是消费的评价分数;

    4、没有消费过的就不再表示出来，所以说是一个稀疏向量。 

 

    接下来就是如何两两计算物品的相似度了，一般选择余弦相似度，当然还有其他的相似度计算方法也可以。计算公式如下:

    用文字解释一下这个公式:

    分母是计算两个物品向量的长度，求元素值的平方和再开方。分子是两个向量的点积，相同位置的元素值相乘再求和。

    很简单，因为这个公式出自中学数学课本，所以我刚才说读过高中就懂。

    这个公式的物理意义就是计算两个向量的夹角余弦值，相似度为 1 时，对应角度是 0，好比是如胶似漆，相似度为 0 时，对应角度为 90 度，毫不相干， 互为路人甲。 

    看上去计算量很大，貌似每一个求和的复杂度都是和向量维度、也就是用户数量一样的。但是别忘了，前面我说过他们都是稀向量 ，也就是向量中绝大多数值都是 0，求和时不用算，点积时更不用算，甚至求点积时只用管两个物品的公共用户，只是少许几个乘积而已。 

 

    物品之间的相似度计算是这个算法最可以改进的地方。通常的改进方向有下面两种。

    1、物品中心化。把矩阵中的分数，减去的是物品分数的均值；先计算每一个物 品收到评分的均值，然后再把物品向量中的分数减去对应物品的均值。这样做的 目的是什么呢？去掉物品中铁杆粉丝群体的非理性因素，例如一个流量明星的电影，其脑残粉可能会集体去打高分，那么用物品的均值来中心化就有一定的抑制作用。 

    2、用户中心化。把矩阵中的分数，减去对应用户分数的均值；先计算每一个用户的评分均值，然后把他打过的所有分数都减去这个均值。 

    这样做的目的又是什么呢？每个人标准不一样，有的标准严苛，有的宽松，所以减去用户的均值可以在一定程度上仅仅保留了偏好，去掉了主观成分。

    上面提到的相似度计算方法，不只是适用于评分类矩阵，也适用于行为矩阵。 所谓行为矩阵，即矩阵元素为 0 或者 1 的布尔值，也就是在前面的专栏中讲过的隐式反馈。隐式反馈取值特殊，有一些基于物品的改进推荐算法无法应用，比如著名的 Slope One 算法。 

 

计算推荐结果 

    在得到物品相似度之后，接下来就是为用户推荐他可能会感兴趣的物品了，基于物品的协同过滤，有两种应用场景。

    第一种属于 TopK 推荐，形式上也常常属于类似“猜你喜欢”这样的。 

    触发方式是当用户访问首页时，汇总和“用户已经消费过的物品相似”的物品， 按照汇总后分数从 到低推出。汇总的公式是这样的: 

 

Rui^=∑mj=1sim(i,j)∗Ruj∑mj=1sim(i,j)Rui^=∑j=1msim(i,j)∗ Ruj∑j=1msim(i,j) 

    这个公式描述一下，核心思想就和基于用户的推荐算法一样，用相似度加权汇总。

    要预测一个用户 u 对一个物品 i 的分数，遍历用户 u 评分过的所有物品，假如 一共有 m 个，每一个物品和待计算物品 i 的相似度乘以用户的评分，这样加权求和后，除以所有这些相似度总和，就得到了一个加权平均评分，作为用户u对物品i的分数预测。 

    和基于物品的推荐一样，我们在计算时不必对所有物品都计算一遍，只需要按照用户评分过的物品，逐一取出和它们相似的物品出来就可以了。

    这个过程都是离线完成后，去掉那些用户已经消费过的，保留分数最高的 k 个 结果存储。当用户访问首页时，直接查询出来即可。 

    第二种属于相关推荐，也就是我们今天专栏题目所指的场景。

    这类推荐不需要提前合并计算，当用户访问一个物品的详情页面时，或者完成一个物品消费的结果，直接获取这个物品的相似物品推荐，就是“看了又看”或者“买了又买”的推荐结果了。 

 

Slope One 算法 

    经典的基于物品推荐，相似度矩阵计算无法实时更新，整个过程都是离线计算 的，而且还有另一个问题，相似度计算时没有考虑相似度的置信问题。例如，两个物品，他们都被同一个用户喜欢了，且只被这一个用户喜欢了，那么余弦相似度计算的结果是 1，这个 1 在最后汇总计算推荐分数时，对结果的影响却最大。 

    Slope One 算法针对这些问题有很好的改进。在 2005年首次问世，Slope One 算法专门针对评分矩阵，不适用于行为矩阵。Slope One 算法计算的不是物品之间的相似度，而是计算的物品之间的距离，相似度的反面。举个例子就一目了然，下 面是一个简单的评分矩阵： 

    这个矩阵反应了这些事实：用户 1 给物品 A、B、C 都评分了，分别是 5，3， 2；用户 2 给物品 A、B 评分了，分别是 3、4；用户 3 给物品 B、C 评分了，分别是 2、5。现在首先来两两计算物品之间的差距: 

 

    括号里表示两个物品的共同用户数量，代表两个物品差距的置信程度。比如物 品 A 和物品 B 之间的差距是 0.5，共同用户数是2，反之，物品 B 和物品 A 的差距是 -0.5，共同用户数还是 2。知道这个差距后，就可以用一个物品去预测另一个物品的评分。

    如果只知道用户 3 给物品 B 的评分是 2，那么预测用户 3 给物品 A 的评分就是 2.5，因为从物品 B 到物品 A 的差距是 0.5。

    在此基础上继续推进，如果知道用户给多个物品评分了，怎么汇总这些分数呢?

    方法是把单个预测的分数按照共同用户数加权求平均。 如现在知道用户3不但给物品B评分为2，还给物品C评分为5，物品B对物品A的预测是 2.5 分，刚才计算过了，物品 C 给物品 A 的预测是8分，再加权平均。 

    8∗1+2.5∗2(1+2)=4.338∗ 1+2.5∗ 2(1+2)=4.33

    就得到了推荐分数为 4.33 分。是不是很简单? 

总结 

   今天我们在基于用户的协同过滤基础上介绍了比较常见的一个算法：基于物品 的协同过滤。这个方法常常在电商网站上见到，“买了又买”“看了又看”这样的相关推荐，都是由这个推荐算法产生。 

    最后我们介绍了一个改良版的基于物品推荐算法 Slope One。这里也留下了一个思考给你：为什么说 Slope One 可以做到在线更新呢？欢迎留言讨论。 

 

附：最后再唠叨两句，本系列教程全部免费，但希望大家每期都不要落下，这样可成体系，也希望各位粉丝朋友多多转发，并在看完后点个“在看”，以示鼓励。我会在文章“在看”数超过20后推送出下一篇的教程。希望大家都有所收获。

「 更多干货，更多收获 」

推荐系统教程之八：人以群分，你是什么人就看到什么世界

推荐系统教程之七：超越标签的内容推荐系统

推荐系统教程之六：从文本到用户画像有多远

推荐系统教程之五：画鬼容易画人难，用户画像的“能”与“不能”

推荐系统教程之四：这些你必须具备的思维模式

推荐系统教程之三：个性化推荐系统那些绕不开的经典话题

推荐系统教程之二：你真的需要搭建个性化推荐系统吗？

推荐系统教程之一：用知识去对抗技术不平等

【推荐算法】基于用户和产品的协同过滤推荐算法

AI换脸APP“ZAO”刷屏并一夜爆火，它能红多久？

今日头条推荐系统原理

feed流设计：那些谋杀你时间的APP