有乙個**，允許使用者對她看過的電影打分。乙個可能的結果是：
使用者1：
使用者2：
使用者3：
省略其他使用者。
怎麼計算相似度呢？
第一種方式是向量距離，也就是常用的(x1-x2)^2+(y1-y2)^2開根號。
第二種方式是pearson相關係數，利用的是斜率，比如jack喜歡打高分（a:5,b:4）tom喜歡打低分（a:3,b:2），那麼還是認為jack和tom是類似的，雖然向量距離相差很遠。
這樣你就找到了與jack類似的人，比如
u1：0.9
u2:0.8
u3:0.2
那麼你是否應該直接依賴u1呢，看她推薦的，如果他給某個電影打了高分，而jack又沒看過，就推薦？
這樣做有兩個問題：
1. u1看的電影可能很少，找不到jack沒看過的電影；
2. u1可能有獨特的口味，對一步爛片可能打高分；
怎麼避免這種情況呢，我們還需要對所有電影打分，不過不同使用者打分的權重不一樣，和我們相似度高的權重高，否則權重低，這樣我們就能給所有電影打分，然後推薦分數高的電影給jack。這樣我們就能給某個使用者推薦最好的電影。
但是怎麼根據一步電影推薦另一部電影呢？可能這個使用者什麼電影都沒看過，但正在瀏覽一步電影，我們向他推薦類似的電影？
這種情況下，我們需要做乙個transform，把之前的資料變成movie：（user1：points）*的格式。然後我們就需要找出電影之間的相似度：
movie1:0.9
movie2:0.8
movie3:0.7
當使用者在瀏覽電影時，系統就會根據相識度列出哪些類似的電影。
對於大型購物**來說，有上千萬的商品，乙個使用者通常只買其中的很小一部分。
user1
如果要計算user和其他user的相似度，計算量非常的巨大。而且每個使用者都需要計算一次，實時推薦就比較困難了。
這個時候我們就需要利用基於item的過濾方式。通過獲得item：（user：grade）*的資料，利用pearson係數計算出各個item之間的相似度。更重要的是這個item之間的相似度變化比較緩慢，不必頻繁的更新。
但是如果只是利用這個相似度，給所有人的推薦就完全一樣了，這也不夠個性化。怎樣才能做出個性化的推薦呢？
假設item的相似度詞典是這樣的：
item11
item12
item13
item14
item1
.90.8
0.7.6
item2
.8.7
0.6.5
使用者給item1和item2打了分的，但是對item1x沒打分，怎麼根據item1和item2的分推算出item1x的分呢？答案就是
item1的分 * item1與它的相似度+ item2的分* item2與它的相似度
這樣就能對item1x進行排序，推薦出使用者最喜歡的產品。
所以推薦的方法大概有兩種，基於item的推薦，以及基於user的推薦。當user和item是很稠密的時候用user的，很稀疏的時候用item的。
計算相似度的兩種方法，歐氏距離或pearson相似度，是上述推薦的基礎，是衡量item或者user類似程度的手段。
集體智慧型程式設計學習筆記 第二章
前言什麼是集體智慧型？答 為了創造新的想法，而將一群人的行為 偏好或思想組合在一起。第二章 提供推薦 例子 影片推薦 一 名詞 協作型過濾演算法 collaborative filtering 對一大群人進行搜尋，從中找到與我們品味相近的一小群人。二 蒐集偏好 非常簡單的方法是使用乙個巢狀的字典 三...
第二章 演算法
本章內容了解即可。如果大家對資料結構完全不了解，我建議你先去看一下b站上郝斌老師的課程。演算法是解決特定問題求解步驟的描述，在計算機中表現為指令的優先序列，並且每條指令表示乙個或多個操作。只聽資料結構課程，當然可以，但是聽完後你可能沒有什麼感覺，因為你不知道他是幹嘛的。但是如果配合演算法來講解，你就...
第二章 演算法
一 演算法定義 二 演算法的時間複雜度與空間複雜度 1.定義 演算法是解決待定問題求解步驟的描述，在計算機中表現為指令的有限序列，並且每條指令表示乙個或多個操作。2.演算法的特性 演算法有五個基本特性 輸入 輸出 有窮性 確定性和可行性。演算法在一定條件下，只有一條執行路徑，相同的輸入只能有唯一的輸...