基于协同过滤的简略商品推荐算法

项目地址：https://github.com/Orekisiori/cf-rs

我们限定一下范围，假设现在给你一个用户-商品的评分矩阵(1~5)，矩阵中的每个数代表用户对该商品的喜爱程度，问如何设计一个推荐系统

这个问题的本质就是对用户对商品的评分进行预测，将预测评分高的商品推荐给用户，这里我们用到的算法就是协同过滤

协同过滤有两个维度：商品维度：将与该用户喜爱的商品相似的商品推荐给用户，也就是说与用户最喜欢的商品最相似的商品评分最高；用户维度：将与该用户相似的用户喜爱的商品推荐给用户。问题进一步转化成如何衡量商品或者用户的相似性的问题

用户的相似性：两名用户对同一件商品的打分越接近，两名用户越相似

商品的相似性：同一位用户对两件商品的打分越接近，两件商品越接近

这边深入研究一下商品相似性导向的推荐算法的做法，用户相似性其实就是转置一下的事

对商品的相似度度量有多种办法，这边我们选取余弦相似度

DVD_sparse = sparse.csr_matrix(self.DVD)
DVD_sparse = DVD_sparse.transpose()
self.SSIM = cosine_similarity(DVD_sparse)

获取数据

    def __init__(self):
        self.count = 0
        # 相似矩阵
        self.SSIM = n