基於使用者的協同過濾演算法也被稱為最近鄰協同過濾或knn (k．nearest-neighbor,k最近鄰演算法)。其核心思想就是，首先根據相似度計算出目標使用者的鄰居集合，然後用鄰居使用者評分的加權組合來為目標使用者作推薦。
通常這些演算法都可以總結成三步：
首先，使用使用者已有的評分來計算使用者之間的相似度；
然後，選擇與目標使用者相似度最高的k個使用者，通常把這些使用者稱為鄰居；
最後，通過對鄰居使用者的評分的加權平均來**目標使用者的評分。為了方便說明，我們把系統中使用者的集合記為u。物品的集合記為i，使用者u,v∈u，物品i,j∈i， 是使用者對物品的評分，而使用者u和v之間的相似度記為 ，用乙個m×n的矩陣來表示所個使用者對玎個物品的評分情況。
用來衡量使用者之間的相似性方法有很多，最常見的有兩種：pearson相關係數、余弦相似度以及調整余弦相似度。
基於使用者協同過濾與基於專案協同過濾的適用場景
一 在適合用途上的比較 基於使用者的協同過濾演算法主要有兩步 1 找到和目標使用者興趣相似的使用者集合 2 找到這個集合中的使用者喜歡的，且目標使用者沒有聽說過的物品推薦給目標使用者。基於物品的協同過濾演算法主要有兩步 1 計算物品之間的相似度。2 根據物品的相似度和使用者的歷史行為給使用者生成推薦...
基於使用者協同過濾與基於專案協同過濾的適用場景
一 在適合用途上的比較 基於使用者的協同過濾演算法主要有兩步 1 找到和目標使用者興趣相似的使用者集合 2 找到這個集合中的使用者喜歡的，且目標使用者沒有聽說過的物品推薦給目標使用者。基於物品的協同過濾演算法主要有兩步 1 計算物品之間的相似度。2 根據物品的相似度和使用者的歷史行為給使用者生成推薦...
協同過濾演算法 基於使用者
背景 使用基於使用者的協同過濾演算法進行 讀取檔案，處理每一行資料，把使用者id和 id轉化為long型別 因為協同過濾模型這兩列為long類 並轉化為datamodel 模型輸入資料 轉化出使用者評分矩陣 沒有的填充0 如下表所示 部分 使用者id id110 100101 102103 1041...