众所周知的是,我们生活在一个充满“大数据”的社会生活当中,处处可以看见“推荐”的身影,比如豆瓣图书,电影推荐等等。
针对于传统推荐,即基于内容,基于用户,以及基于商品的推荐,一种现有推荐算法,既融合协同过滤推荐,又包含用户,或者商品的推荐算法。
现在简单介绍基于基于用户的协同过滤推荐算法:
如图1所示,在推荐系统中,用m×n的打分矩阵表示用户对物品的喜好情况,一般用打分来表示用户对商品的喜好程度,分数越高表示该用户对这个商品越感兴趣,而数值为空表示不了解或是没有买过这个商品。
众所周知的是,我们生活在一个充满“大数据”的社会生活当中,处处可以看见“推荐”的身影,比如豆瓣图书,电影推荐等等。
针对于传统推荐,即基于内容,基于用户,以及基于商品的推荐,一种现有推荐算法,既融合协同过滤推荐,又包含用户,或者商品的推荐算法。
现在简单介绍基于基于用户的协同过滤推荐算法:
如图1所示,在推荐系统中,用m×n的打分矩阵表示用户对物品的喜好情况,一般用打分来表示用户对商品的喜好程度,分数越高表示该用户对这个商品越感兴趣,而数值为空表示不了解或是没有买过这个商品。