本文介绍了基于用户协同过滤的推荐算法，通过计算用户间的余弦相似度或皮尔逊相关系数来确定兴趣相似性。在数据预处理后，通过找到相似用户的评分信息，对未评分物品进行预测评分并进行推荐。协同过滤还包括基于项目和基于模型的变体，为推荐系统提供了多样化的解决方案。
一、基本原理
用户A，和用户C都喜欢物品A，和物品C，表明他们兴趣相同，则可向用户A推荐物品D
那么如何表示两个用户兴趣相同呢？
有如下用户对物品的评分矩阵
| item1 | item2 | item3 | item4 | item5 | |
| Bob | 5 | 3 | 0 | 5 | 5 |
| Alice | 5 | 0 | 0 | 4 | 5 |
| Carle | 5 | 4 | 0 | 4 | 5 |
| Dum | 0 | 3 | 0 | 4 | 4 |
| Enime | 0 | 0 | 1 | 5 | 3 |
①找出相似用户
计算两个用户兴趣是否相同则可以使用余弦相似度（cos）或皮尔逊相关系数（pearson）进行用户相似度计算
评分矩阵中的行代表了用户向量，列代表了物品向量，计算用户间的相似度是计算评分矩阵中行向量的相似度。
cos：
pearson：
最低0.47元/天 解锁文章
6306
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
