4.1  简介

　　4.1.1 问题定义

　　U---user集合

　　I---Item集合

　　R---Rating集合

       S---Rating的取值集合 如：S=[0,5]  S={加星，加垃圾桶}

       rui ----user u对 item i的评分

       Ui  -----  对item i进行评分的集合

       Iu  -----  被user u评分过的item的集合

       Iuv  -----  被用户u和v都评价过的item集合

       Uij  ----- 对item i和j都给过评分的user集合

推荐系统中，最重要的两个问题: 推荐最好的item 和 Top-N个推荐。

问题一： 对于一个特定的用户u是否对一个新的item i感兴趣? 如果rating已知，则问题转化成回归或者分类问题，目标是学习一个模型：

f: U×I →S

用来预测user u对item i的评分：f(u,i)

对于该模型的好坏有两种评级标准：MAE和RMSE

数据集R被分成了两部分：Rtrain 和Rtest  Rtrain 用于训练模型，Rtest 用户评价模型的好坏



问题二，如果Rating是未知的，仅仅是一系列的items 被user购买，问题转化成为一个user推荐他可能感兴趣的items的一个列表，这种方法的评价标准是准确率和召回率，定义如下：

　　4.1.2 推荐方法综述

　　　　4.1.2.1 content-based方法

　　　　4.1.2.2 协同过滤方法

　　　　4.1.3  基于neighborhood的推荐方法优点

4.2 Neighborhood-based推荐方法

       4.2.1 User-based 评分预测

       4.2.2 User-based 分类

       4.2.3 回归VS分类

       4.2.4 Item-based 推荐

       4.2.5 User-based VS Item-based

4.3 Neighborhood-based 推荐系统的构成

       4.3.1 评分规范化(Rating Normalization)

       4.3.2 相似度计算(Similarity Weight Computation)

       4.3.3 邻居寻则(Neighborhood Selection)

4.4 高级技术(Advanced Tech)

       4.4.1 矩阵降维

       4.4.2 图模型(Graph-based Methods)

4.5 总结