ItemCF 协同过滤
量化用户对物品的兴趣
用户对物品j的兴趣 * 物品j与候选物品的相似度
物品相似度
相似：受众有无重合、
计算相似度 （0，1）
没有考虑用户喜欢物品的程度
其实就是余弦相似度
ItemCF的召回流程
离线计算
线上做召回
1.给定用户id，用户->物品，找到用户近期感兴趣的物品列表（last-n）
2.对于last-n中的每个物品，物品->物品，找到top-k相似物品
3.对上面的物品（最多nk个），计算兴趣分数
4.返回分数最高的100个物品，作为推荐结果
索引的意义：避免枚举
3558
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
