最近邻居推荐系统原理和基于用户的评分预测推荐

最近邻居推荐是最直观的一种推荐，

也就是基于用户的协同过滤

和基于物品的协同过滤：根据用户的历史行为推荐给另外的用户，也就是看物品之间的相似度，那么就是基于物品的协同过滤

评分可以是显示给的，也可以是隐示，也可以是很多特征考虑之后打的分

在评分预测中，有两个问题

1，比如june用户有缺失值，那么怎么获取最近邻居，也就是topN的邻居，这里涉及相似度计算

2，怎么预测

（一：首先得到用户的邻居，然后我们根据用户邻居对该item的评分的均值来作为该用户对物品的预测评分

二：刚才只考虑了邻居的评分，但是我们没考虑用户跟该用户的相似度有多大，所以我们还是要加上用户之间的相似度）

用户表达同一偏好的表达有可能是不同的，也就是说你评了5分你认为5分很高了，但是我认为5分很低，或者说我认为你的5分在我这里只能是3分。

也就是说用户之间的偏好是不同的。

为了避免这种情况产生的误差，我们可以对每个邻居的评分进行正则化，就比如我们得到了邻居评分的均值，然后我们给评分打上权重，就好了。（也就是缩放数据尺度）

说白了就一句话，用邻居用户的评价的分值，来预测用户对物品的评价分值。