云音乐推荐系统（二）：推荐系统的核心算法

一、召回阶段

1.1基于热门的召回

筛选用户播放歌曲的行为数据，
选取播放次数最多的歌曲作为热门歌曲，为每个用户进行推荐

1.2基于用户分群的召回

将用户划分为细粒度群体，为每一个用户群体筛选歌
曲播放行为，选取每个群体中的热门歌曲，为每一个
用户进行推荐
可以使用KMeans等聚类算法

1.3基于协同过滤的召回

二、协同过滤算法（计算相似的一种方式）

2.1基于用户(user-based)的协同过滤算法

首先计算用户与用户之间的相似性，
然后再计算其他与目标相似的用户对物品的评分来为目标用户推荐

2.2基于物品的(item-based)的协同过滤算法

与基于用户的协同过滤算法基本相似

2.3基于模型(model-based)的协同过滤算法

SVD矩阵分解协同过滤算法
LFM隐含语义协同过滤算法
ALS交替最小二乘协同过滤算法

三、协同过滤

依赖用户行为数据
分析用户行为数据，求出
用户与用户之间的相似度，进而通过相似度计算出用户对所有物品的”感兴趣程度”(user-based)
物品与物品之间的相似度，进而通过相似度计算出用户对所有物品的”感兴趣程度”(item-based)
中间矩阵，进而通过中间矩阵计算出用户对所有物品的”感兴趣程度”(model-based)

四、基于用户的协同过滤

根据用户行为数据，获取用户对物品的喜欢程度评分，同时用户无法对所有物品都进行评分，最终可组织成一个用户-物品稀疏矩阵

计算用户之间的相似程度，通过用户向量，按照余弦相似度公式进行求解

上面是向量点积

上面是是向量的模积

将用户一看出一个向量u1=[4.5,3,3.5,0,4,0];
将用户二看成一个向量u2=[0,4.5,5,0,0,4,0];
用户没有对物品进行评分回默认为0，但是可以对默认的没有评分的物品用平均数代替

余弦相似度的scala代码实现：

object cosine_similarity {
   

  //向量的模
  def module(vec: Vector[Double]