协同过滤

协同过滤算法是一种常见的推荐系统算法，核心思想是利用用户历史行为数据，通过计算相似度,来找到与目标用户或目标商品喜好相似的商品。

基于用户的协同过滤算法：它通过分析用户间的相似性来进行个性化推荐。具体来说，如果用户A和用户B在评分或点赞行为上表现出高度的一致性，那么系统会推断出用户B可能对用户A喜欢的物品感兴趣。这种方法的核心在于，通过挖掘用户间的相似偏好，来预测并推荐那些用户可能喜欢但尚未接触的物品。

为了实现这一目标，首先需要构建一个用户-物品评分矩阵。这个矩阵以用户为行、物品为列，矩阵中的每个元素代表相应用户对相应物品的评分。接下来，算法会计算矩阵中用户向量之间的相似度，这可以通过多种方法完成，如余弦相似度、杰卡德系数、欧式距离、汉明距离或皮尔逊相关系数等。

通过比较这些相似度指标，算法可以识别出与用户A最相似的N个用户,标志为用户群体T(A，N)，并且将T中A未交互过的物品提取出来，对于每个物品item计算它的加权平均值，选择制值最高的K个物品作为A的推荐项。

例如，如果用户A和用户B都对某一系列电影给出了高评分，但用户A还对另一部未被用户B观看过的电影给出了高分，那么基于他们的相似偏好，这部未被用户B观看过的电影就有可能被推荐给用户B。

基于物品的协同过滤算法：如果用户U喜欢物品A，而物品A和物品B有很高的相似性，那么用户U也有可能很喜欢物品B。

为了实现这一目标，首先需要建立用户–物品表，记录每个用户最近点击交互过的物品列表，以及每个物品的喜好程度，根据时间倒排列，取前n个物品

物品–物品表：记录每个物品与其相似的物品列表及相似度，根据相似度倒排列，取前k个相似物品。