推荐系统学习（二）基于用户/物品的协同过滤算法（User-CF / Item-CF）

User-CF

思想是根据用户相似度推荐商品，计算步骤如下：

步骤1. 得到用户矩阵

得到n表示用户，m为商品的评分大矩阵，矩阵的值可以是用户对物品的评价，是否收藏等数据

步骤2. 得到计算预估评分的参考用户

每个用户的购买数据相当于用户的向量，用皮尔逊相关系数计算待推荐用户与其他所有用户之间的相似度，找出topN的相似用户或所有相关系数>0的用户，作为预估未购买的商品评分的参考用户。

步骤3. 计算未购买的商品的预估评分

根据相似用户的评分计算出推荐用户没有购买过的商品的预估评分，一般会用相关系数作为权重，计算 相似用户当前商品的相关系数加权评分/相似用户相关系数之和

但是，这种计算思路存在的问题：

1. 由于商品规模较大，因此user很难存在相似性
2. 用户数量太大，维护用户相似度表是平方级的空间
3. 人是善变的，不同阶段的需求是不同的

Item-CF

计算思路与User-CF类似，只是这里根据物品相似度推荐商品：

1. 步骤1：认为每个用户对商品的评分就是这个商品的向量
   比如下面的movies1的向量就是：[1,0,3,0,0,5,0,0,5,0,4,0]
   
2. 步骤2: 得到计算预估评分的参考商品
3. 步骤3: 计算未购买的商品的预估评分