推荐算法学习笔记一

协同过滤推荐是目前使用最广泛，最成熟的推荐技术么一。它使用用户评分矩阵作为信息源来寻找用户与用户或者物品与物品之间的相似相关性，是一种比较个性化的推荐技术。协同过滤推荐可以分成两类：基于内存的协同过滤推荐和基于模型的协同过滤推荐。其中，基于内存的协同过滤推荐又可以分为基于用户的协同过滤推荐（UserCF）和基于物品的协同过滤推荐（ItemCF）。

基于用户和基于物品的协同过滤推荐算法首先根据评分矩阵构建数据模型，然后计算用户或者物品之间的相似度得出相似邻居，最后推荐引擎根据相似邻居进行推荐。用户或者物品之间的相似程度主要通过相似度算法度量，相似度算法有很多种，主要包括欧几里得距离、余弦相似度、皮尔逊相关系数、谷本系数及对数似然相似度。计算出用户或者物品之间的相似度之后，还要确定相似邻居。选择相似邻居的常用方法主要有两种：固定数量和阔值。

推荐引擎技术现存的问题

        1.数据稀疏性问题；

        2.冷启动问题；

3.大数据处理与增量问题；

4.多样性和精确性问题；

5.推荐系统的效果评估；