基于用户(user-based)的协同过滤推荐算法的初步理解以及代码实现

总论

    协同过滤是目前最经典的推荐算法。
    分而理之，协同，指通过在线数据找到用户可能喜欢的物品；过滤，滤掉一些不值得推荐的数据。
    协同过滤推荐分为三种类型。第一种是基于用户(user-based)的协同过滤，第二种是基于项目(item-based)的协同过滤，第三种是基于模型(model based)的协同过滤。
    我认为，选择哪种类型，取决于业务场景。需要考虑的是，user和item的数量比，谁的数量级小就选择哪个模式的cf；在业务处于的场景中，user和item的多变性比较，选择多变性较小的一方，在后续的维护，会方便很多；最后一点，明确你的推荐覆盖要求。
    今天主要讲基于用户。
    凡是推荐算法离不开大数据的基础，基于用户类型的数据一般是如下格式：
用户id，外物id，用户对外物的评分，以上是一般物联网的算法模型，（举一反三，分析系统日志，建立如下模型，用户id，资源id，用户对资源的访问次数，--->实现推荐页面 ）

算法基础实现

  看这块的时候，我是真的后悔大学没好好学数学!!!
  首先让我们拆分下过程。 基于用户的协同过滤 可分为2步，
  1.找到相似度高的用户
  2.根据1步骤获取的信息，推荐源用户相对喜欢，并且未采取过的行为

    下面这个是大名鼎鼎的Jaccard公式，很简单， 取2个用户的选择集的交集，跟2个用户的选择集的并集，进行计算。但很显然，若要计算整个用户集合，
时间复杂度是O（n^2）,太慢了。

    后续就有了利用倒排查表进行优化如下： 可以建立个