推荐系统-原理及实现（协同过滤）

功能

提高商品的销量
提升用户满意度和忠诚度
更好地了解用户需求

协同过滤

利用已有的用户群过去的行为或者意见预测当前用户最可能喜欢哪些东西或者对哪些东西感兴趣。

输入：用户-物品评分矩阵
输出：当前用户对物品喜欢和不喜欢程度的预测数值
和n项的推荐物品的列表（不包含当前用户已经购买过的物品）

实现方式
基于用户的最近邻
前提/假设
用户的偏好不会随着时间变化

1. 输入的评分数据集和当前用户ID 找出与当前用户过去有相似偏好的其他用户 这些用户叫对等用户或最近邻
   皮尔逊相关

2. 对当前用户没有见过的每个产品p，利用用户的近邻对产品p的评分进行预测
   选出最相似的N个邻近用户计算对物品p的评分预测值
   （N个近邻用户对物品p都有评分值）

3. 选择所有产品评分最高的TopN个产品推荐给当前用户

基于物品的最近邻
物品相似度计算：
不考虑用户评分平均值之间的差异性
一般使用改进余弦相似度公式
在评分值中减去平均值

选择最相似的前N物品，预测用户u对物品p的评分

基于物品的最近邻

效果评估