hadoop-mr案例-itemcf

• 电子商务网站是个性化推荐系统重要地应用的领域之一
• -亚马逊就是个性化推荐系统的积极应用者和推广者，亚马逊的推荐系统深入到网站的各类商品，为亚马逊带来了至少30%的销售额。
• 不光是电商类，推荐系统无处不在。
• QQ好友推荐；新浪微博的你可能感兴趣的人；优酷，土豆的电影推荐；豆瓣的图书推荐；大众点评的餐饮推荐；世纪佳缘的相亲推荐；天际网的职业推荐等等。

思考：

----购买成功后:购买了该商品的其他用户购买了以下商品

                根据用户的实时行动

----搜索成功后：您可能感兴趣的以下商品

                根据用户的主观意识

----主页或广告：您可能感兴趣的以下商品

                根据用户的特征向量

推荐系统——协同过滤（Collaborative Filtering）算法

----UserCF

           基于用户的协同过滤，通过不同用户对物品的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐。简单来讲就是：给用户推荐和他兴趣相似的其他用户喜欢的物品。

              

----ItemCF

           基于item的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐。简单来说：给用户推荐和他之前喜欢的物品相似的物品。

             

--Co-occurrence Matrix(同现矩阵)和User Preference Vector(用户评分向量)

    相乘得到的这个Recommended Vector（推荐向量）

--基于全量数据的统计，产生同现矩阵

              体现商品间的关联性

              每件商品都有自己对其他全部商品的关联性（每件商品的特征）

--用户评分相连体现的是用户对一些商品的评分

--任一商品需要：

              用户评分向量乘以基于该商品的其他商品关联值

              求和得出针对该商品的推荐向量

              排序取TopN即可