三种推荐算法简介：基于用户的协同过滤、基于物品的协同过滤、基于内容的推荐

1.推荐算法

1.1.协同过滤

协同过滤是目前应用最广泛的推荐算法，它仅仅通过了解用户与物品之间的关系进行推荐，而根本不会考虑到物品本身的属性。
可分成两类：

1、基于用户（user-based）的协同过滤
2、基于商品（item-based）的协同过滤

1.1.1.基于用户的协同过滤

基本思想：
基于用户对物品的偏好找到邻居用户（相似用户），然后将邻居用户（相似用户）喜欢的东西推荐给当前用户。

计算方法：
将一个用户对所有物品的偏好作为一个向量，计算用户之间的相似度。找到邻居后，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户未涉及的物品，计算得到一个排序的物品列表作为推荐。
相似度即为两个向量之间的距离。距离越小相似度越大。

例子：
如下图，用户A与用户C相似，那么就会给用户A推荐“用户A未涉及但是用户C喜欢的东西”，也就是物品D了。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2skNr3nb-1576912472052)(http://www.shadowingszy.top/ServerTest/Assets/01.png)]

缺点：
基于用户的协同过滤难以形成有意义的邻居集合。
在很多时候，很多用户两两之间只有很少几个共同评分，也就是用户之间的重合度并不高。而仅有的共同打了分的物品，往往是一些很常见的物品（如票房大片，如生活必需品）。
再者&