推荐系统构建中的PCA和SVD算法

       推荐本质上是求相似度，重点是如何度量相似性。推荐的常用算法是协同过滤算法，该算法基于用户行为的数据而设计的推荐算法。M个人对N个商品产生行为，从而构成联系，对M个人进行聚类是基于用户（M1和M2相似，则已知M1购买P1，可将P1商品推荐给M2），对N个商品进行聚类是基于商品（P1和P2商品相似，则已知M1购买P1，可将P2商品推荐给M1）。

       相似度/距离计算方法有以下几种：

        （1）闵可夫斯基距离

       （2） 欧式距离

        （3）杰卡德相似系数（Jaccard）

        （4）余弦相似度

        （5）Pearson相似系数

        （6）相对熵（K-L距离）

       

        Jaccard相似度的由来

           R(u)是给用户u作出的推荐列表，而T(u)是用户在测试集上真正的行为列表

          准确率/召回率

            

        Jaccard系数

 

         评价推荐系统的首要离线指标

         通过将单个用户的准确率（或召回率）做累加，即得到整个推荐系统的准确率（或召回率），该离线指标常常用于比较各个推荐系统之间的优劣。