基于用户的协同过滤推荐算法

------基于用户的协同过滤推荐算法-------

基本思路：
    选取某个用户A的具有相似品味的邻居用户集合, 
    从邻居用户集合的历史评分以及用户A的历史评分综合考虑预测用户A给其未评价过的项目的评分结果,
    选取预测分大于指标的项目推荐给用户A.

1.选择的查找相似用户用到的算法：
     k近邻算法、皮尔森相关系数法
    （1）皮尔逊相关系数是余弦相似度在维度值缺失情况下的一种改进：
    https://www.cnblogs.com/charlesblc/p/8336765.html
    （2）k近邻选择时，用到推排序，选取相似度最高的前k个
   【1】k近邻（knn)和k-means聚类，有什么区别，哪一个比较适合用于协同过滤推荐系统？
   【2】需要做svd吗？
2.预测评分的策略是：【我自己对这个地方有点疑问，这种预测方式是否可行？】
    计算相似用户对该项目的评分的加权平均分加上用户的历史平均分
3.推荐结果选取的策略是：【是否有更好的方式？】
    选取预测分数大于用户历史平均分的项目作为推荐结果
4.评价指标是：【是否还需要其他评价指标，如果有多个评价指标，如何选取较优方案】
    计算系统平均绝对误差 = sum(每个用户的平均绝对误差)/用户总数

Tips:
1.数据集：movieLens，从训练集中得出相似用户，去预测测试集中的评分，再与实际评分作对比
2.环境：
    （1）语言：python 3.8, 用到的库:【几乎没用到什么库】;
    （2）IDE：pycharm;
    （3）系统：Windows 7;