学习笔记：基于启发式的协同过滤推荐算法

协同过滤推荐算法可以分为 基于启发式 和 基于模型式 两种。基于启发式的协同过滤算法，又可以分为基于用户的协同过滤算法和基于项目的协同过滤算法。我首先细致学习了基于启发式的协同过滤算法。
启发式协同过滤算法主要包含3个步骤：
1）收集用户偏好信息；
2）寻找相似的商品或者用户；
3）产生推荐。
协同过滤的输入数据集主要是用户评论数据集或者行为数据集。这些数据集主要又分为显性数据和隐性数据两种类型。其中，显性数据主要是用户打分数据，譬如用户对商品的打分，五分制的1分，2分等。隐性数据主要是指用户点击行为、购买行为和搜索行为等，这些数据隐性地揭示了用户对商品的喜好。

一、基于用户的协同过滤
用相似统计的方法得到具有相似爱好或者兴趣的相邻用户，所以称为以用户为基础的协同过滤或基于邻居的协同过滤。
首先，收集用户信息，一般的网站系统使用评分的方式或是给予评价，这种方式被称为“主动评分”。另外一种是“被动评分”，是根据用户的行为模式由系统代替用户完成评价，不需要用户直接打分或输入评价数据。电子商务网站在被动评分的数据获取上有其优势，用户购买的商品记录是相当有用的数据。
然后，构建用户-项目（User/Item）评分矩阵，用Rij表示用户Ui对项目Ij的评分，如果没有评分则Rij=0;
接着，计算最近邻居，假设每一个用户对项目的评分都是一个在n维的空间向量，用计算空间向量的相似度代替计算用户相似性的这样的抽象问题。主要通过下方三种方式来计算用户间的相似度：
1）余弦相似度
余弦相似度主要通过假设在n 维的空间中的评分向量的夹角余弦值来进行计算，将获取用户相似度的目的转换为计算两个不同向量的夹角余弦的值。其中