現(xiàn)在的推薦系統(tǒng)特別火啊肾筐。做得最好的應(yīng)該是Amazon了橡淆。
上面是Amazon的圖書推薦锡宋。
用的就是著名的?協(xié)同過(guò)濾（Collaborative filtering）算法触徐。
我們用一個(gè)簡(jiǎn)單的例子來(lái)說(shuō)明夺英。
下面是一個(gè)用戶購(gòu)買的書籍的表格晌涕。
?計(jì)算機(jī)網(wǎng)絡(luò)算法導(dǎo)論人工智能數(shù)據(jù)庫(kù)系統(tǒng)實(shí)現(xiàn)概率統(tǒng)計(jì)GRE?詞匯手冊(cè)
小明101010
小張011010
小李110000
小王000011
上面的1表示購(gòu)買，0表示沒(méi)有購(gòu)買痛悯。
那么我們?cè)趺磥?lái)給小明推薦書籍呢余黎？
先來(lái)看看Amazon之前的傳統(tǒng)的協(xié)同過(guò)濾（Collaborative filtering）是怎么做的。
首先呢载萌，根據(jù)每個(gè)人買的書籍惧财，我們可以將每個(gè)用戶表示成一個(gè)向量。
例如扭仁，
V(小明)=<1, 0, 1, 0, 1, 0>
V(小張)=<0, 1, 1, 0, 1, 0>
V(小李)=<1, 1, 0, 0, 0, 0>
V(小王)=<0, 0, 0, 0, 1, 1>
然后呢垮衷，我們做這樣的假設(shè)，買書習(xí)慣跟小明類似的人乖坠，如果購(gòu)買了小明沒(méi)有買的書搀突，那么我們就認(rèn)為，小明很有可能買這本書熊泵。
于是仰迁，問(wèn)題變成了找買書習(xí)慣跟小明類似的人。提到向量跟相似度顽分，我們自然就想到了用余弦來(lái)衡量相似度徐许。
扔個(gè)公式在此給那些忘記了的童鞋們。
接下來(lái)卒蘸，大家動(dòng)手算一下吧雌隅。
cos=0.67
cos=0.41
cos=0.41
呵呵，那么跟小明習(xí)慣最像的就是小張了缸沃。
然后恰起，我們發(fā)現(xiàn)小張買了《算法導(dǎo)論》，但是小明沒(méi)有買趾牧，于是我們就給小明推薦《算法導(dǎo)論》村缸。
這個(gè)方法看起來(lái)很不錯(cuò)，那么為什么Amazon提出了另外的一種方法呢武氓？
再來(lái)看看Amazon的item-to-item協(xié)同過(guò)濾系統(tǒng)吧梯皿。
有一天呢仇箱，Amazon的一個(gè)工程師腦袋抽筋，不小心把上面的表格拿錯(cuò)方向了东羹。于是變成了下面的樣子剂桥。
?小明小張小李小王
計(jì)算機(jī)網(wǎng)絡(luò)1010
算法導(dǎo)論0110
人工智能1100
數(shù)據(jù)庫(kù)系統(tǒng)實(shí)現(xiàn)0000
概率統(tǒng)計(jì)0101
GRE?詞匯手冊(cè)0001
如果把書的那一行看成一個(gè)向量，有啥發(fā)現(xiàn)沒(méi)属提？對(duì)了权逗，我們可以找相似的人，我們還可以找相似的書Ｔ┮椤Ｕ遛薄！
這也就是Amazon的item-to-item協(xié)同過(guò)濾系統(tǒng)恕酸。
很多時(shí)候堪滨，創(chuàng)新就是這么簡(jiǎn)單，寫paper就是這么容易啊?蕊温，換個(gè)方向思考?（呃袱箱，那位童鞋，不是叫你把書拿反了看）义矛。
下面簡(jiǎn)單描述一下方法发笔。
我們可以先算出任意兩個(gè)物品之間的相似度（跟上面類似啊，自己算）凉翻。
接下開(kāi)我們看到小明買了《計(jì)算機(jī)網(wǎng)絡(luò)》和《人工智能》的書了讨，把跟這兩本書類似的書推薦給小明。
跟《計(jì)算機(jī)網(wǎng)絡(luò)》最相似的是?《算法導(dǎo)論》和?《人工智能》制轰，跟?《人工智能》最相似的是?《計(jì)算機(jī)網(wǎng)絡(luò)》和?《算法導(dǎo)論》前计。
最后的結(jié)果，是《算法導(dǎo)論》^_^艇挨。
用這個(gè)方法呢，我們就可以給用戶推薦說(shuō)韭赘，買了這個(gè)商品的用戶還購(gòu)買了***?
那這方法是不是有什么優(yōu)點(diǎn)呢缩滨？（廢話啊，不然Amazon會(huì)拿來(lái)用泉瞻，商人是很聰明的）
Tradition VS?Amazon
??? Amazon的CF算法可以在離線的情況下把item之間的相似度計(jì)算好脉漏。當(dāng)一個(gè)用戶登陸后，我們需要的也只是檢查用戶的購(gòu)買歷史袖牙，然后把跟這些item相似的item按一定的方法（比如受歡迎程度）排序展現(xiàn)給用戶侧巨。一般來(lái)說(shuō)，用戶購(gòu)買的東西只是一個(gè)小的集合鞭达，因此不需要花很多的時(shí)間來(lái)計(jì)算司忱。
??? 而且皇忿，如果用戶沒(méi)有登陸，我們依然可以根據(jù)他的瀏覽歷史來(lái)做推薦坦仍。例如鳍烁，上面的圖片就是我在沒(méi)有登陸的情況下查看了一下《Beautiful Architecture》，然后Amazon給我做了推薦繁扎。
??? 對(duì)于Amazon這樣的網(wǎng)站來(lái)說(shuō)幔荒，用戶量是遠(yuǎn)遠(yuǎn)大于商品數(shù)量的。因此梳玫，Amazon的CF算法（計(jì)算商品相似度）比起傳統(tǒng)的CF算法（計(jì)算用戶相似度）爹梁，大大地節(jié)約了資源。
??? 對(duì)于一個(gè)未登陸的用戶來(lái)說(shuō)提澎，傳統(tǒng)的CF算法沒(méi)辦法根據(jù)他的瀏覽歷史來(lái)推薦（在線計(jì)算一個(gè)用戶跟其他所有用戶的相似度顯然不可能）姚垃。
Amazon.com recommendations item-to-item collaborative filtering, Greg Linden, Brent Smith, and Jeremy York ? Amazon.com
