一个简单的协同过滤推荐算法

1、推荐系统简介

　　个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

2、推荐系统分类

2.1基于内容的推荐（Content-based Recommendation）

　　基于内容的推荐系统的核心思想是挖掘被推荐对象的信息。基于内容的推荐算法的前提假设是：如果用户喜欢物品a，那么用户也应该会喜欢与a类似的物品。由于笔者的目的是侧重于介绍协同过滤推荐算法，所以对基于内容的推荐算法举个简单的例子一带而过：

　　假设一首歌有：名称、歌手、风格、作曲人这4个属性。如果用户Alice对Michael 的歌曲Beat It评分很高，那么系统会分析Beat It这首歌的属性，随后系统就可能会向Alice推荐Michael的歌曲Dangerous，因为Dangerous与Beat It有很多共同之处：歌手都是Michael，风格都是摇滚。

　　总的来讲，基于内容的推荐，利用的是被推荐对象自身的属性信息，利用这些信息来聚类，例如将众多的歌曲按风格聚类，得到蓝调风格的歌曲集合、摇滚风格的集合、田园风格的集合等等，当用户表示喜欢某一首歌曲时，系统会分析这个歌曲属于哪个风格，如果这个歌曲属于摇滚风格，那么系统就会从摇滚风格的集合中挑选出一些歌曲，将其推荐给用户。当然，这只是一种思路，实际的基于内容的推荐比我描述的要更复杂更详细，有兴趣的朋友可以深入研究一下，我以后有空也会把基于内容的推荐算法做一个详细介绍。

2.2协同过滤推荐 （Collaborative Filtering Recommendation）

　　协同过滤算法是推荐系统中应用最为广泛和成功的算法。协同过滤推荐算法的前提假设是：如果用户a与用户b均对一系列相同的物品表示喜欢，那么a极有可能也喜欢b用户喜欢的其他物品。在协同过滤推荐的过程中：用户首先为每个项目进行评价打分,通过计算不同用户评分之间的相似程度,可以找到最近邻居,根据最近邻居的评价,产生推荐——这是协同过滤算法的主要思想。  举例来讲，假设在音乐推荐系统中，一共有4个用户，7个音乐，每个用户对每个音乐的评价矩阵如下： </