Question

信息大爆炸时代来临，用户在面对大量的信息时无法从中迅速获得对自己真正有用的信息。传统的搜索系统，需要用户提供明确需求，从用户提供的需求信息出发，继而给用户展现信息，无法针对不同用户的兴趣爱好提供相应地信息反馈服务。推荐系统，相比于搜索系统，不需要用户提供明确需求，便可以为每一个用户实现个性化的推荐结果，让每个用户更便捷地获取信息。它是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

智能推荐的方法有很多，常见的推荐技术主要分为：基于用户的协同过滤推荐和基于物品的协同过滤推荐。

基于用户的协同过滤的基本思想相当简单，基于用户对物品的偏好找到邻居用户，然后将邻居用户喜欢的推荐给当前用户。计算上，就是将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，找到K邻居后，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表作为推荐。图10-1给出了一个例子，对于用户A，根据用户的历史偏好，这里只计算得到一个邻居用户C，然后将用户C喜欢的物品D推荐给用户A。

基于物品的协同过滤的原理和基于用户的协同过滤的原理类似，只是在计算邻居时采用物品本身，而不是从用户的角度，即基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品给他。从计算的角度看，就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度，得到物品的相似物品后，根据用户历史的偏好预测当前用户还没有表示偏好的物品，计算得到一个排序的物品列表作为推荐。图10-2给出了一个例子，对于物品A，根据所有用户的历史偏好，喜欢物品A的用户都喜欢物品C，得出物品A和物品C比较相似，而用户C喜欢物品A，那么可以推断出用户C可能也喜欢物品C。

图10-1 基于用户的协同过滤示意图

图10-2 基于物品的协同过滤示意图