推荐算法起步：协同过滤

1.推荐系统是一种个性化系统

2.要通过媒介联系用户和物品，比如通过用户、物品、行为特征、标签等

3.基于用户和物品的协同过滤是最基础的推荐算法，它们都是基于邻域的算法

4.基于用户的协同过滤【UserCF】核心是构造用户相似度矩阵

5.基于物品的协同过滤【ItemCF】核心是构造物品相似度矩阵

6.UserCF推荐更社会化（新闻），反映用户所在的小型兴趣群体中物品的热门程度

7.ItemCF推荐更个性化（电商），反映了用户自己的兴趣传承

背景介绍

推荐系统是为了解决信息过载的问题，通过算法将用户与物品联系起来，把有价值的信息精准的展现给用户的系统。

这是笔者对推荐系统的下的定义。

当然《推荐系统开发实战》一书对推荐系统下的定义是：推荐系统是一种个性化系统，本质上是一种信息过滤系统，通过一定的算法在海量数据中过滤掉用户不太可能产生行为的物品，从而为用户推荐所需要的物品。

下面举一个例子加以解释。

你想购买一包花生米，有很多种方法，你可以就近选择附近的便利店，或者去大型商场问售货员找到相应的货架，还可以打开手机在淘宝上搜一搜，选择喜欢的品牌，然后下单。

毋庸置疑，我们身处在信息繁杂，信息过多的世界里，你有明确的需求，通过有多种途径找到你想要的信息。当用户没有明确需求的时候呢，比如你想搜索一篇关于某个知识点的论文，发现在如此浩瀚的知识海洋中很难查阅得到。这个时候，推荐系统的用武之地就体现了。它可以借助一些特征，比如用户的行为特征，通过算法将一些用户感兴趣的物品展现给用户，这样，不但减少了用户搜索信息的时间，还大大提高了整个社会的效率。

我们知道了，首先，推荐系统必须在信息过载的前提下才能体现其价值，如果只有屈指可数的几件商品，用不着推荐，用户直接从中挑选就是了。其次，它还要实现精准的把用户想要的信息展现给用户，也就是说，对用户展现的信息是有价值的。最后，它要根据某种媒介（用户特征，物品特征等）将用户与物品联系起来，才能实现推荐。