协同过滤

1. 协同过滤简介
   协同过滤就是将物品或者人组织成邻居，这些邻居有相同类似的属性，则维护这些邻居的一个关系矩阵，矩阵的值就是他们的关系的值了，再乘以一个个体的列矩阵或者行矩阵，他们的推荐关系就出来了。 俗话说“物以类聚、人以群分”，拿看电影这个例子来讲，若是你喜欢《蝙蝠侠》、《碟中谍》、《星际穿越》、《源代码》等电影，另外有我的也都喜欢这些电影，并且他还喜欢《钢铁侠》，则颇有可能你也喜欢《钢铁侠》这部电影。因此说，当一个用户 A 须要个性化推荐时，能够先找到和他兴趣类似的用户群体 G，而后把 G 喜欢的、而且 A 没有据说过的物品推荐给 A，这就是基于用户的系统过滤算法。协同过滤是在海量数据中挖掘出小部分与你品味相似的用户，在协同过滤中，这些用户成为邻居，而后根据他们喜欢的东西组织成一个排序的目录推荐给你。因此就有以下两个核心问题

• 如何肯定一个用户是否与你有类似的品味？
• 如何将邻居们的喜爱组织成一个排序目录？

1. 协同过滤详解
   参考：协同过滤算法
2. 协同过滤例子

• 当当网的买过此书的人还买过？首先系统维护一个书的相关度的矩阵，这个矩阵A以下图，描述的就是书籍之间的关系矩阵，关系是：同时买过x，y这两本书出现的次数，也叫同现度。好比说同时买103和102这两本书出现的次数是4。用这个关系矩阵乘上用户购买此书的矩阵，购买过此书的矩阵是一个列矩阵，在此书上是1，别的都是0，就能够算出最后的值了。参考：mahout机器学习平台->0二、推荐系统算法与架构剖析。这一小节课程。
  
• 电影推荐系统，根据评分推荐，也是基于itemCF的 经过维护一张电影之间的同现矩阵*用户评分矩阵，同现矩阵同上面当当网的用户购买矩阵，意思差很少，都是一个用户同时看过这两部电影的次数，用户对电影的评分矩阵，用户的评分就至关于权重了，把他们相乘就出来了一点电影分数排名。参考：mahout机器学习平台->0二、推荐系统算法与架构剖析。这一小节课程。