前前排先说一下：写完的东西一定记得保存！要不网页一关就啥都没了💔💔💔

协同过滤是一种推荐算法，它和传统的内容过滤不同；传统过滤方法可能会存在误差（比如把用户感兴趣的内容滤掉或者推荐给用户不喜欢的内容）。

协同过滤不仅通过分析用户的喜好（点击量、浏览页面），还可以扩大范围网，通过计算与该用户喜好相同的用户所喜欢的内容，通过后台计算，并把结果反馈给用户。

协同过滤的优点之一是它甚至可以代替用户直接给系统做出反馈，使操作更加智能化。

其中，协同过滤算法主要分为基于启发式和基于模型式两种。

而基于启发式的协同过滤算法，又可以分为基于用户的协同过滤算法和基于项目的协同过滤算法，这里主要讲基于用户的协同过滤算法

因为这种计算总是和“邻居”相关，所以它又叫基于邻居的协同过滤。

1.1 方法步骤：

① 搜集用户信息，列出相关表格/矩阵。 ② 按要求查找候选邻居，计算相似度。 ③ 计算预测分值。

光看这三个步骤，估计也看不太明白，下边来细说一下。

第一条就不多说了，就是简单的信息搜查和信息规整，记得表格做的美观简明就ok。

第二条，候选邻居应该可以通过题目要求找到。（通俗的讲就是和你要预测的这个商品相关的用户，假设想预测你对商品A的期待值，这时发现用户B用户C都购买过商品A，此时用户B和用户C就是你的候选邻居）

计算相似度的时候有两种方法供大家挑选。

皮尔逊相关系数

余弦相似度

还有这个，计算用户的预测分值（也就是最后结果）

emmm，这个看起来很不好理解的样子

其实这个也没啥难的，我们来简单分析一下。（分析的是皮尔逊系数哈）

∑就是求和符号，i表示项数，求和就是把每个i相加。u和v表示不同的用户，分子是两个用户（u、v）分别对商品（i）的评分之和。分母是把每个用户对商品的评分相加平方再开方。

可以这么想，分子是对n个不同用户对同一商品的分析，而分母则是把每个用户单独的拿出来，分析不同商品。

说再多，不如来一道例题看看。

假设有如下电子商务评分数据集，预测用户 C 对商品 4 的评分。

怎么做？——按步骤一点一点来呗。

① 搜集用户信息，列出相关表格/矩阵。 ② 按要求查找候选邻居，计算相似度。 从数据集中可以发现，只有用户 A 和用户 D 对商品 4 评过分，因此候选邻居只有 2 个，分别为用户 A 和用户 D。 ③ 计算预测分值。

就这一小问肯定不能做到熟练计算相似度，请继续完成下边的练习 拓展：请分别计算出用户A\B\D\E表格中空缺的评分值

（以下是个人计算，如有错误欢迎斧正）

开始还是老一套，列表格；表格是之前就做好的，可以直接拿来用。 第二步第三步（解题过程） 用户A 用户B 用户D（C前边说过了） 用户E

同样的，基本步骤也是三步

1.收集用户信息 2.针对项目的最近邻搜索 3.产生推荐结果

不用考虑用户间的差别，所以精度比较差。不需要用户的历史数据，或是进行用户识别。因此可以离线完成工作量最大的相似性计算步骤，从而降低了在线计算量，提高推荐效率，尤其是在用户多于项目的情形下尤为显著。

2.2 相似度计算方法 也可以采用皮尔逊关系系数或者余弦相似度 基于物品的协同过滤算法，其中相似度计算公式如下所示： 分母|N(i)|是喜欢物品 i 的用户数，而分子|N(i)∩N(j)|是同时喜欢物品 i 和j 的用户，但是如果物品 j 很热门，就会导致 Wij 很大接近于 1。因此避免推荐出热门的物品，我们使用下面的公式：

2.3 用户 u 对于物品 j 的兴趣

可以根据如下公式计算用户 u 对于物品 j 的兴趣： 可以通过画共现矩阵的方法计算相似度，同样也可以得到相应的结果，这里就不再细说了。

再次编辑的时候没有第一次写的条理清晰，也尽可能的把一些难点解释清楚了，希望对大家能有所帮助哈