推荐系统1：推荐系统与KNN算法

推荐系统常常用于推荐给用户可能喜欢的产品，或者推荐给用户可能会喜欢的电影等等场景，一般推荐系统的建立是基于数据的。

 

理解近邻的概念NN：

 

近邻的概念就是一个实体与另外一个实体之间很相似，我们称之为近邻。for example：

上图是A，B，C三个用户的体重，我们发现：

如此看来，A和B的体重更为接近，我们认为他们是近邻，也就是说他们之间更加相似。

我们再添加一个属性：

A和B之间的“”距离“”就可以使用欧氏距离的算法进行计算：

 

但是在多个变量的情形下，单纯的这种计算也会引发误区：

 

我们按照计算发现，A和C好像更加接近，但是直觉告诉我们，B和C才是最接近的，因为他们的齿轮数是一样的。

 

这个时候需要引入归一化概念：

 

归一化就是，将所有的变量统一到同样的尺度的方法。对于不同的属性，类似于上面的表格中，汽车的运行速度的值是100和110，而齿轮的数目确实4和5，二者数值相差很大。所以我们需要将运行速度和齿轮数目统一到相同的尺度上进行比较。

 

常用的归一化的方法有：

 

1.将变量除以当前属性中最大值。

2.将变量减去均值，再除以标准差。

3.将每个变量除以最大值和最小值的差。

 

K近邻算法（KNN）

 

KNN就是找到与当前实体最接近的K个实体，由这K个实体投票表决，决定到底是否推荐给当前的实体。

假如，和当前实体最接近的10个实体中，有9个实体都购买了某件商品，那么，我们将选择把这件商品推荐给当前的实体。

又例如，和当前实体最接近的10个实体中，只有一个实体喜欢某一部电影，其余9个实体不喜欢这部电影，那么我们将选择不把当前的这部电影推荐给当前的实体。

这种推荐方式就是一种协同过滤的方式进行推荐。