推荐算法的核心是预测用户可能喜欢的内容，并据此进行推荐。这里用一个非常简单的电影推荐案例，解释最常见的协同过滤原理。
协同过滤是通过分析用户或者事物之间的相似性（“协同”），来预测用户可能感兴趣的内容并将此内容推荐给用户。这里的相似性可以是人口特征（性别、年龄、居住地等）的相似性，也可以是历史浏览内容的相似性（比如都关注过和中餐相关的内容），还可以是个人通过一定机制给予某个事物的回应（比如一些教学网站会让用户对授课人进行评分）。
比如，用户A和B都是居住在北京的年龄在20-30岁的女性，并且都关注过化妆品和衣物相关的内容。这种情况下，协同过滤可能会认为，A和B相似程度很高。于是可能会把A关注B没有关注的内容推荐给B，反之亦然。
数据介绍
假设有3个用户（小明、小红、小刚）对4部电影的评分（1~5分），未评分的用“-”表示：
已经采集到的数据如下：
| 用户 | 复仇者 | 钢铁侠 | 爱情故事 | 雷神 |
|---|---|---|---|---|
| 小明 | 5 | 4 | - | 2 |
| 小红 | 4 | 5 | 3 | - |
| 小刚 | 1 | 2 | 5 | 4 |
目标：
为小明推荐他可能感兴趣的电影（比如小明对《雷神》评分低，是否要推荐给小红？小明对《爱情故事》未评分，是否需要推荐给他？）
数据映射
数组：
[[ 5, 4, 0, 2]
[ 4, 5, 3, 0]
[ 1, 2, 5, 4]]
计算相识度
推荐的原理就是计算目标用户和其他用户的相识度，推荐相识度高的用户喜欢的作品给他。
找到相似用户的步骤：（常用方法：余弦相似度）
-
小明 vs 小红：共同评分的电影是《复仇者》《钢铁侠》。
- 小明的评分向量：
[5, 4] - 小红的评分向量：
[4, 5] - 余弦相似度 = (5×4 + 4×5) / (√(5²+4²) × √(4²+5²)) ≈ 0.98（非常相似）
- 小明的评分向量：
-
小明 vs 小刚：共同评分的电影是《雷神》，但小明和小刚对《雷神》评分差异大（小明2分，小刚4分），相似度低。
-
结论：小红和小明兴趣最接近。
余弦相似度越接近1，说明两个向量的方向越一致，即“偏好模式”越相似。
补充
余弦相似度（Cosine Similarity）是一种衡量两个向量方向相似程度的指标，常用于推荐系统、文本分析等领域。它的核心思想是：通过计算两个向量之间的夹角余弦值，判断它们的方向是否接近。方向越接近，余弦值越接近1；方向相反则接近-1；垂直则为0。
余弦相似度 = A * B / ||A|| * ||B|| = (5×4 + 4×5) / (√(5²+4²) × √(4²+5²)) ≈ 0.98（非常相似）
看图理解，下图数据和上面的案例无关，只做理解。
A,B 所形成的夹角较小，表示更相似。
A,C 所形成的夹角较大，就相对没那么相似。
扩展
-
基于内容的推荐：分析电影特征（如类型、导演），推荐相似属性的电影（如喜欢《钢铁侠》→ 推荐科幻片）。
-
混合推荐：结合协同过滤和内容过滤，提高准确性。
预测偏好
简单预测
假设要预测小明对《爱情故事》的评分，已知：
-
小红与小明相似度 0.98，对《爱情故事》评分为 3；
-
小刚与小明相似度 1.0，对《爱情故事》评分为 5。
则直接取平均：(3+5)/2=4 （但未考虑相似度差异。）
采用加权（多用户加权）
加权平均的原理
核心思想：相似度高的用户意见更重要，应赋予更高权重。
预测小明对《爱情故事》电影的评分是 4.01分，评分较高，值得推荐。
总结
案例很简单，主要用到如下数学概念：
- 二维矩阵
- 余弦相似
- 加权平均
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
