生产实习Day11 ---- 协同过滤算法

协同过滤算法：寻找相似的用户和物品

协同过滤算法的核心思想是：根据用户群体对产品偏好的数据，发现用户之间的相似性或者物品之间的相似性，并基于这些相似性为用户作推荐。
两种主要类型：

• 基于用户的协同过滤算法：寻找相似的用户，进而对用户推荐相似用户关注的产品。例如，如果用户A和用户B都喜欢电影A和B，那么可以向用户A推荐用户B喜欢的电影C。
  

• 基于物品的协同过滤算法：根据用户的历史偏好信息，将类似的物品推荐给用户。例如，如果用户A喜欢电影A和电影B，那么可以向用户A推荐与电影A和电影B相似的电影C。
  商业实战中，基于物品的协同过滤算法更受欢迎，原因如下：

• 物品数量相对有限：用户的数量往往非常庞大，而物品数量相对有限，因此计算不同物品之间的相似度比计算不同用户的相似度容易很多。

• 物品属性稳定：用户的喜好较为多变，而物品属性较明确不随时间变化，因此可以预先离线计算好物品间的相似度，提升推荐效率。
  相似度计算方法：

• 欧式距离：计算两个向量之间的直线距离，距离越小表示相似度越高。

• 余弦相似度：使用两个向量夹角的余弦值来表示相似度，值越接近1表示越相似。

• 皮尔逊相关系数：描述两个数值型变量间线性相关强弱程度的统计量，值越接近1或-1表示相关性越强。