基于协同过滤的推荐引擎

推荐引擎对因特网用户而言已经不再是什么新鲜事。Amazon会根据顾客的购买历史向他们推荐物品，Netflix会向其用户推荐电影，新闻网站会对用户推荐新闻报道…..当然，有很多方法可以实现推荐功能，这里我们只使用一种称为协同过滤(collaborative filtering)的方法。协同过滤是通过将用户和其他用户的数据进行对比来实现推荐的。

1.1 相似度计算
计算物品之间的相似度，一般来说，我们有3种方法：
1. 欧氏距离：我们希望相似度值在0到1之间变化，并且物品对越相似，它们的相似度值也就越大。可以用“相似度=1/(1+距离)”这样的算式来计算相似度。当距离为0时，相似度值为1；如果距离很大，相似度也就趋近于0。

def  eulidSim(inA, inB):
       return 1.0/(1.0+linalg.norm(inA-inB)) #norm求范数

2.皮尔逊相关系数： 它度量的是两个向量之间的相似度，在Numpy中，皮尔逊相关系数的计算是由函数corrcoef()进行的。皮尔逊相关系数的取值范围从-1到1，通过0.5+0.5*corrcoef()这个函数计算，把取值范围归一化到0到1之间。

def pearsSim(inA,inB):
      if len(inA)<3 :return 1.0
      return 0.5+0.5*corrcoef(inA,inB,rowvar = 0)[0][1]

3. 余弦相似度: