面试让你手写ItemCF/UserCF代码，你会吗？-CSDN博客

本文链接：https://blog.csdn.net/Blank_spaces/article/details/113156802

本文介绍了协同过滤中的ItemCF算法，详细解析了输入、物品相似度矩阵计算和推荐过程的代码实现。并通过实验展示了在ml-1m数据集上的评估结果，以HR和NDCG为评估指标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

之前朋友说有同学在面字节算法实习时让复现DeepFM算法（包括训练），然后就懵了。因此最近在整理传统推荐算法的一些内容时，大概是这样的：

就想到「基于邻域的协同过滤（UserCF与ItemCF），除了了解原理、应用场景的区别外，如果现场写实现伪代码你会么？」 有很多文章在讲协同过滤的原理，很少具体到代码，所以这次把以前写的CF代码优化下进行分享。
本文约1.7k字，预计阅读5分钟.

概要

协同过滤是「基于用户行为」设计的推荐算法，具体来说，是「通过群体的行为来找到某种相似性」（用户之间的相似性或者物品之间的相似性），通过相似性来为用户做决策和推荐。当然，协同过滤有基于邻域的、隐语义模型等，这里我们主要指的是基于邻域的ItemCF和UserCF。具体的原理就不多做解释了，见下图：

ItemCF与UserCF的代码其实很相近，因此以ItemCF为例，两个算法的具体代码可以在github：https://github.com/ZiyaoGeng/SimpleCF（阅读原文）中找到。

ItemCF

对于ItemCF算法的实践，我采用类的方式进行建立，主要内容包括：

模型的输入;
初始化【计算相似度矩阵】；
对单个用户进行推荐；
对测试集的所有内容进行推荐；

因此大体框架为：

class ItemCF:
    def __init__(self, user_item_dict, item_hot_list, sim_item_topK, topN, i2i_sim=None):
        """
        Item-based collaborative filtering
        :param user_item_dict: A dict. {user1: [(item1, score),...], user2: ...}
        :param item_hot_list: A list. The popular movies list.
        :param sim_i