有名的推薦系統推薦系統理論

前面我們都一直在講各種資料結構和重點排序演算法，今天我們來換一種口味吧，那就是有名的推薦演算法

1>推薦演算法

實際上解決推薦這個問題，不需要太多的理論,解決思路的核心思想非常簡單,

a:乙個是基於使用者進行推薦:換種說法就是尋找和你口味差不多的人,進行相互推薦

b:乙個是基於商品進行推薦,換句話說就是基於商品的相似程度進行推薦

1.1>基於使用者進行**的推薦

那如何我們才能知道跟你相似的使用者呢？我們把跟你聽相同型別的歌曲的人稱之為你的相似使用者,每乙個在聽每一首歌曲的適合，都會進行收藏，收藏為喜歡，或者不做任何處理，如下圖

我們只需要遍歷其他使用者,對比跟你具有相同喜好歌曲的個數，並設定乙個閾值，如果相同個數超過乙個閾值，則就進行推薦，不過我們有乙個問題，我們如何知道某個使用者對歌曲的喜好程度呢？

實際上我們可以通過使用者對歌曲的行為來評價該使用者對該歌曲的喜好程度

還是剛剛那個列子，我們把每個使用者對**的喜好都表示出來,就是下面的樣子,圖中,某個人對**的喜好程度,我們將不在傭0和1進行表示,而是具體的分值,

有了這樣的分值，我們應該怎樣判斷2個使用者的相似程度呢？我們用資料計算值歐式距離來表示2個使用者的相似度.，我們用向量來表示。每個使用者對不同**的喜好程度,比如,你對**的喜好表示向量為(5,3,4,0,1,2,5,4,1,-1)我們可以分別計算出該使用者與其他使用者之間的歐式距離

解釋：根據這個公式，我們可以計算出你與其他使用者的歐式距離為小明,小王，小紅,小白根號下38,根號下117，根號下61，根號下118，只要超過某乙個閾值，就可以認定為相似使用者，這種方式的推薦是基於我們已經有完備的使用者行為資料

1.2>基於商品相似進行推薦

如果我們對使用者的行為資料不完善，且該使用者是新使用者，那我們應該怎樣對**進行推薦的呢？這就要用到我們的基於商品進行推薦，那我們應該如何判斷2個**之間的相似度呢？

我們可以通過這種思路求得每個歌曲的歐式距離,來進行歌曲相似度的匹配，來進行推薦,

有名的推薦系統 推薦系統理論