今天突然想到做一個(gè)小的實(shí)用性推薦系統(tǒng)，其目的主要是為了“檢驗(yàn)真理”。

如今推薦系統(tǒng)到處都有，netflix、youtube，淘寶，京東，當(dāng)當(dāng) ，亞馬遜，可以說成了電商平臺(tái)不可或缺的功能。當(dāng)然，我們用的網(wǎng)易云音樂，豆瓣電影等也有推薦。因?yàn)橛?/2原則，即80%的銷售額依賴于20%的熱門品牌。

推薦系統(tǒng)組成 = 前端展示頁面 + 后臺(tái)日志系統(tǒng) + 推薦算法系統(tǒng)

前端展示當(dāng)然是給用戶看的結(jié)果

日志系統(tǒng)主要是記錄用戶行為，并按照一定格式生成一個(gè)數(shù)據(jù)集

推薦算法是推薦與用戶喜歡的物品類似的物品

查閱資料發(fā)現(xiàn)，傳統(tǒng)的推薦系統(tǒng)原理其實(shí)蠻簡單的。下面按照我自己的理解來闡述下，簡單易懂。

最經(jīng)典的例子就是用戶電影評(píng)分，網(wǎng)上大把相關(guān)的博客和技術(shù)文章。

咱們要實(shí)現(xiàn)的目標(biāo)是找到這幾對(duì)關(guān)系，電影->電影，電影->用戶，用戶->電影，用戶->用戶

用戶 ? ? ?電影1 ? ? 電影2 ? ? 電影3 ? ?電影4

小明： ? ?1 ? ? ? ? ? ? ? ?0 ? ? ? ? ? ? 0 ? ? ? ? ? ? 4

小紅： ? ?4 ? ? ? ? ? ? ? ?0 ? ? ? ? ? ? ?2 ? ? ? ? ? ?0

小李： ? ?0 ? ? ? ? ? ? ? ?0 ? ? ? ? ? ? ?3 ? ? ? ? ? ? 4

這里用0-9表示用戶對(duì)電影的評(píng)分，當(dāng)然假設(shè)評(píng)分為0的表示用戶還未看過。

現(xiàn)在要給小明推薦一部電影，需要從他看過并給出評(píng)分的電影中找到相關(guān)聯(lián)的，也就是計(jì)算電影2與電影1、電影4的相似度，以及電影3與電影1、電影4的相似度。

相似度的計(jì)算最簡單的是歐氏距離

A(X1,Y1)，B(X2,Y2) ? ?則A、B的距離 d = sqrt（(X1-X2)^2+(Y1-Y2)^2)

電影2與電影1的相似度為 similar1 = 1/sqrt(1+(0-1)^2+(0-4)^2+(0-0)^2)

電影2與電影4的相似度為 similar1 = 1/sqrt(1+(0-4)^2+(0-0)^2+(0-4)^2)

……

這里+1和取倒數(shù)是因?yàn)橐獨(dú)w一化成0-1的值 當(dāng)距離越大時(shí)，相似度越接近0，當(dāng)距離為0時(shí)，相似度為1

用相似度乘以評(píng)分可以得到一個(gè)帶權(quán)的值，再對(duì)它排序，就可以得到真正想要的相似物品。