推荐系统算法速读 根据推荐算法的不同，推荐系统可以分为以下几类： 协同过滤（collaborative filtering）系统； 基于内容(content-based)的推荐系统； 基于网络结构（network-based）的推荐系统； 混合（hybrid）推荐系统；协同过滤系统核心思想： 1.利用用户的历史信息计算用户之间的相似性； 2.利用与目标用户相似性较高的邻居对其他产品的评价来预测目标用户对特定产品的喜好程度。系统根据这一喜好程度来对目标用户进行推荐分类： 基于记忆（memory-based）的算法 基于模型（model-based）的算法 基于记忆的算法 计算用户评分： 设C= 为用户集合，S= 为所有的产品集合。 设 为用户c对产品s的打分（在协同过滤算法中，用户c对产品s的打分通过其他用户对s的打分计算而得到。） 设 为与用户c相似度比高的用户集 第一种：直接计算邻居打分的平均值 第二种：加权平均 （用户之间越相似，则用于预测的权重越大） 基于记忆的算法 第三种：考虑用户评判的尺度不同 k=1/ ,sim(i,j)表示用户之间的相似度。 用户c的平均打分 定义为 表示
