通俗理解“推荐算法”（一）

对博文https://blog.csdn.net/u012995888/article/details/79077681（机器学习入门--协同过滤算法[推荐算法]）中，电影推荐示例的通俗理解。

业务描述：
1、有"小明"，"小花"，"小美"，"小张"，"小李"这5个用户。
2、有"电影1"，"电影2"，"电影3"，"电影4"，"电影5"，"电影6"，"电影7"这7部电影。
3、每个用户可以对看过的电影打整数分值，最低分1分，最高分5分，0分表示没有看过该电影。收集的打分数据如下：
{3,1,4,4,1,0,0}，表示小明对电影1至电影5的打分，小明没有看过电影6和电影7，下同。
{0,5,1,0,0,4,0}
{1,0,5,4,3,5,2}
{3,1,4,3,5,0,0}
{5,2,0,1,0,5,5}
4、只为用户推荐他/她未看过的电影。

需求：
1、想要给小明推荐一部电影，该如何设计推荐算法？

不说那些吓人的算法理论！！！

中国有句古语“人以类聚,物以群分”。小明的朋友非常喜欢的电影，小明应该也喜欢。小明的朋友有哪些，或者说他平时和谁“走的最近呢”？联想到大学里学的空间两个点的距离计算公式，点a的三维空间坐标为(x1, y1, z1)，点b的坐标为(x2, y2, z2)，ab的距离等于

同理，ac、ad、ae。。。等的距离都可以计算出来。距离越近表示和a点越“志同道合”、“趣味相投”。

回到本例，可以将小明对7部电影的打分看作他在“电影艺术空间”里的坐标。分别计算小明与小花、小美等的距离，分别为：
小明与小花的“距离”：8.18535277187245
小明与小美的“距离”：6.244997998398398
小明与小张的“距离”：4.123105625617661
小明与小李的“距离”：9.0
显然，小明依次与小张、小美“走的最近”，是好朋友（注：暂时只取两位好友）。小张、小美对每部电影的喜好，或者量化为打分，将影响到系统为小明的推荐结果。那就综合一下小张、小美的电影打分，按如下公式计算每部电影的推荐度：

不难理解，推荐度越高，且小明没有看过的电影，应该被推荐给小明，应该是电影6。

甚至，可以把根据“电影推荐度”推荐的标准量化如下：
1、被推荐人未看过；
2、电影推荐度需大于平均推荐度或推荐度中值；

同样的办法，可以计算出为小花推荐的电影：电影1、电影4、电影7。

考虑一些特殊情况。
1、如果小张从未对电影进行过打分，即第一次使用该推荐系统，则别人打分值较高的电影应该被推荐。经过计算测试就是这种效果，比较符合一般人的常识。
2、如果某电影刚刚上映不久，虽然口碑非常好，如《战狼2》，但打分的人数较少，上述算法就有缺陷。
3、如果某电影已上映好几年了，但由于某些原因，打分的人数寥寥无几，上述算法也会有缺陷。