推荐系统基础（一）：基于用户的协同过滤

原理

基于用户的协同过滤原理很简单，找到购买喜好相近的用户，把某用户购买的商品推荐给和他相似的用户。比如下表，A和C的购买记录较为相似，则会把A购买了的物品D推荐给用户C

	物品A	物品B	物品C	物品D
用户A	√		√	√
用户B
用户C	√		√	推荐

算法存在的问题

主要是稀疏问题

1. 对于一个新用户，很难找到领居用户
2. 对于一个物品，所有最近的邻居都在其上没有多少打分

针对上诉基础解决方案

1. 相似度计算最好有皮尔逊相似度
2. 考虑共同打分物品的数目，如乘上min(n,N)/N n:共同打分数 N:指定阈值
3. 对打分进行归一化处理
4. 设置一个相似度阈值，过滤掉部分内容

基于用户的协同过滤在实际应用中用的很少，主要是以下问题：

1. 稀疏问题，一个用户标签有很多都是空的
2. 数百万的用户计算量，计算效率低
3. 人是善变的