一、首先我们要明确，我们为什么要构建推荐系统
1.对于用户而言：信息化的时代，海量的数据产生也带来了信息过载和选择障碍的困扰，每个用户的时间和精力都是有限的，帮助用户进行信息过滤和选择是非常有价值的。
2.对与企业而言：推荐系统带来的收益是看得见的：Netflix每年2/3的观看电影来自推荐系统
亚马逊每年35%的销售额来源于它的推荐
Google news 的推荐系统能带来额外38%的点击
二、推荐系统的前提条件
1.对于数据量的要求：1万以下 不建议个性化推荐
1万到10万 可以尝试
10万以上 可以用
2.用户足够多，用户的分布足够广：用户种类越多，推荐系统的效果越好
3.用户点击的内容足够广：如果用户分布很广，用户也很多，但是，他们都只点击少部分信息，这时，个性化推荐的系 统的优势并不十分明显。
三、推荐系统到底是什么
1.简单看来说：推荐系统实际上是寻找过去连接的过程，并从过去的连接推测未来。
连接：用户和商品的连接，商品和商品的连接，用户和用户的连接。
2.在数学上：推荐系统实际上是拟合一个用户对内容满意度的函数：
Y=F（xi，xu，xc） xi：item特征 xu：user特征 xc：contex特征
结合内容特征，用户特征，环境特征这三个维度，模型会给出一个预估，既推测推荐内容在这一场景下对这一用户是否合适。
举个例子：
四、推荐系统算法分类
这里我们只讲述基于协同过滤的推荐
五、协同过滤推荐系统：
1.基于用户的协同过滤（User CF）：
（1）基本原理：通过用户对不同内容（物品）的行为，来评测用户之间的相似性，找到“邻居”基于这种 相似性做出推荐。
相当于，给相似的用户推荐其他用户喜欢的内容。
（2）基本步骤： 找到和目标用户兴趣相似的用户集合
找到这个集合中的用户喜欢的，并且目标用户没有听说过的物品推荐给目标用户
（3）怎么找到和你相似的人：
2.基于物品的协同过滤（Item CF）：
（1）基本原理：根据用户的历史偏好，推荐相似的物品给用户。
（2）计算：
1>物品相似度的计算：
2>生成物品相似矩阵的计算：
（3）TopN推荐：
举个例子：
3.UserCF和ItemCF的比较：
四、代码实现