有名的推荐系统(推荐系统理论)

前面我们都一直在讲各种数据结构和重点排序算法，今天我们来换一种口味吧，那就是有名的推荐算法

 前言:想必我们都在京东，淘宝各大网站买过自己喜欢的东西吧,购物平台就会为你推荐你可能要买的东西,这种推荐又是怎么来完成的呢?今天我们就单单讲一下基于音乐推荐的完成思想

 1>推荐算法

         实际上解决推荐这个问题，不需要太多的理论,解决思路的核心思想非常简单,

                     a:一个是基于用户进行推荐:换种说法就是寻找和你口味差不多的人,进行相互推荐

                    b:一个是基于商品进行推荐,换句话说就是基于商品的相似程度进行推荐

1.1>基于用户进行音乐的推荐

                  那如何我们才能知道跟你相似的用户呢？我们把跟你听相同类型的歌曲的人称之为你的相似用户,每一个在听每一首歌曲的适合，都会进行收藏，收藏为喜欢，或者不做任何处理，如下图

                  解释：图中数字1表示用户对该歌曲表示喜欢,0表示对该歌曲不做任何评价意见，从图中我们可以看出,你和小明有5首歌都作为自己的喜欢歌曲，系统就有可能会将小明喜欢的歌曲进行推荐给你，当然这有一个推荐的阈值.

                            我们只需要遍历其他用户,对比跟你具有相同喜好歌曲的个数，并设置一个阈值，如果相同个数超过一个阈值，则就进行推荐，不过我们有一个问题，我们如何知道某个用户对歌曲的喜好程度呢？

                       实际上我们可以通过用户对歌曲的行为来评价该用户对该歌曲的喜好程度

                     

还是刚刚那个列子，我们把每个用户对音乐的喜好都表示出来,就是下面的样子,图中,某个人对音乐的喜好程度,我们将不在佣0和1进行表示,而是具体的分值,

      有了这样的分值，我们应该怎样判断2个用户的相似程度呢？我们用数据计算值欧式距离来表示2个用户的相似度.，我们用向量来表示。每个用户对不同音乐的喜好程度,比如,你对音乐的喜好表示向量为(5,3,4,0,1,2,5,4,1,-1)我们可以分别计算出该用户与其他用户之间的欧式距离

           

     解释：根据这个公式，我们可以计算出你与其他用户的欧式距离为小明,小王，小红,小白根号下38,根号下117，根号下61，根号下118，只要超过某一个阈值，就可以认定为相似用户，这种方式的推荐是基于我们已经有完备的用户行为数据

1.2>基于商品相似进行推荐

          如果我们对用户的行为数据不完善，且该用户是新用户，那我们应该怎样对音乐进行推荐的呢？这就要用到我们的基于商品进行推荐，那我们应该如何判断2个音乐之间的相似度呢？

     如果我们对于每个一歌曲都打注我们自己的感知，比如打入摇滚，伤感,等标注,基于这种特征向量我们可以计算出每个音乐的欧式距离,除此之外我们要对每个音乐进行标注并进行打分，这本身是我们自己的主见，会有一定的误差.所以我们可以举个反列,对于2首歌，如果喜欢听的人群都差不多,那侧面就可以反映出这2首歌是相似的

  我们可以通过这种思路求得每个歌曲的欧式距离,来进行歌曲相似度的匹配，来进行推荐,