【推荐系统】协同过滤之基于用户的最近邻推荐

1.算法简介

协同过滤（collaborative filtering）的核心思想：利用其他用户的行为来预测当前用户。协同过滤算法是推荐系统中最基本的，同时在业界广为使用。根据使用的方法不同，可以分为基于用户（user-based）、基于物品（item-based）的最近邻推荐。

基于用户的最近邻推荐的主要思想与kNN有点相似：对于一个给定的评分集，找出与当前用户u口味相近的k个用户；然后，对于用户u没有见过的物品p，利用k个近邻对p进行预测评分。由此引出了两个问题，一是如何度量用户与用户间的相似性（涉及到相似性度量），二是如何进行预测。

相似性度量

常见的用于推荐的相似性度量：Pearson相关系数、余弦相似度、改进的余弦相似度。pearson相关系数用来描诉两组向量一同变化的趋势，取值从+1（强正相关）到-1（强负相关）。用户a和用户b的相似度