一.简介
推荐算法的整体流程是：召回——排序——策略调整
基于协同过滤的推荐算法有以下基本假设：
1.基于用户的协同过滤（User-based CF）：和你喜欢相同物品的人，他们喜欢的东西你也喜欢
2.基于物品的协同过滤（item-based CF）：和你喜欢的物品比较相似的物品，你也可能喜欢
二.协同过滤的具体过程
1.基于用户的协同过滤
从上面可以看到用户如果买了一个东西则打钩，没有买则不打钩。假设我们有两个人，小明和小红。那么我们怎么计算这两个人喜欢物品的相似度呢？我们假设：
小明喜欢的东西有：篮球，足球，乒乓球
小红喜欢的东西有：篮球，足球，乒乓球，羽毛球
那么他们喜欢的相同物品数量是3，因此计算公式为：
3/3 * 3/4==9/12=3/4。这就是小明和小红两者之间喜欢物品的相似度。
然后计算小明和不同用户之间的喜好相似度，使用机器学习当中KNN的思想取最大的相似程度的人做推荐。找到人之后查看他们喜欢的共同物品，过滤掉，然后取另外用户喜好的物品给这个用户（小明）进行推荐。这就是基于用户的协同过滤的基本思想。
2.基于物品的协同过滤（item based CF）
我们用物品来计算相似度，如下图所示：
看看图自然就明白了，思想和基于用户的协同过滤是相同的。
3.咱们做推荐系统的大致思路如下：
1.首先通过特征工程将用户-物品评分矩阵创建出来
2.1通过基于用户的协同过滤
2.2或者用过给予物体的协同过滤
给用户推荐商品
三.相似度的计算
相似度不仅仅是我们刚刚做的这么简单，不是只需要比较物品即可，因为我们用户会对一个物品做出多种反应，评分，收藏，浏览次数等等。一般情况下还会使用实数值进行相似度的计算，相似度计算的数据有：
1.实数值（物品的评分情况）
2.布尔值（用户的行为，是否购买，是否收藏）
我们可以通过余玹相似度来计算两个物品之间的相似度，如下所示：
在计算余玹相似度的时候我们只需要考虑两个物品之间的夹角的值，也就是cos()的值，而不需要关心向量的长短。上图是一个仅仅具有两个特征的物品，因此维度是2.
2.我们可以通过皮尔逊相关系数来计算两个物品之间的相似度，也就是直接使用相关系数r进行运算,计算的公式如下图所示：
在这个公式当中同时考虑到了长度和角度的影响，当然也就在某些场景下使用的话会更加准确了。