推荐算法（一）：协同过滤系列

一、协同过滤(collaborative filtering)
一种ItemCF推荐baseline：
1.输入：user-item相关矩阵
2.中间结果：item间相似度计算：item_i与item_j间相似度：分子：与二者均有关联的user数，被同一个人购买的次数多则相似；分母包含各自关联的总用户数，用以惩罚热门item；

p.s.认为无评分时相当于做了热度衰减的频繁项集推荐方式；
如有user-item关系有权重（如用户对影片评分）：相似度取决于对二者皆有交互的用户评分，将上式分子换为两item评分向量内积（余弦相似度），或对二者的评分减去二者各自平均值后相乘结果（皮尔逊相关系数）

保存item相似度矩阵；
3.user推荐：根据user-item相关矩阵得到user-itemlist，遍历该user交互过的itemlist，对每个item取相似N个，根据相似度聚合排序得到用户推荐结果；
ItemCF推荐用户交互过的item的相似item，适合item集比较稳定的情况下，如长视频等，对新item的推荐不友好，如推荐新闻等变化快的item，则UserCF更具优势，推荐以往相似兴趣的用户在看的内容；

附代码如下：

import math
def ItemSimilarity(train):
    # 物品-物品的共同矩阵
    C = dict()
    # 物品被多少个不同用户购买
    N = dict()
    for u, items in train.items():
        for i in items.keys():
            N.setdefault(i, 0)
            N[i] += 1
            C.setdefault(i, {
   })
            for j in items.keys():
                if i == j:
                    continue
                C[i].setdefault(j, 0)
                C[i][j] += 1
    # 计算相似度矩阵
    W = dict()
    for i, related_items in C.items():
        W.setdefault(i