一、首先我們要明確，我們為什么要構建推薦系統
1.對於用戶而言：信息化的時代，海量的數據產生也帶來了信息過載和選擇障礙的困擾，每個用戶的時間和精力都是有限的，幫助用戶進行信息過濾和選擇是非常有價值的。
2.對與企業而言：推薦系統帶來的收益是看得見的：Netflix每年2/3的觀看電影來自推薦系統
亞馬遜每年35%的銷售額來源於它的推薦
Google news 的推薦系統能帶來額外38%的點擊
二、推薦系統的前提條件
1.對於數據量的要求：1萬以下 不建議個性化推薦
1萬到10萬 可以嘗試
10萬以上 可以用
2.用戶足夠多，用戶的分布足夠廣：用戶種類越多，推薦系統的效果越好
3.用戶點擊的內容足夠廣：如果用戶分布很廣，用戶也很多，但是，他們都只點擊少部分信息，這時，個性化推薦的系 統的優勢並不十分明顯。
三、推薦系統到底是什么
1.簡單看來說：推薦系統實際上是尋找過去連接的過程，並從過去的連接推測未來。
連接：用戶和商品的連接，商品和商品的連接，用戶和用戶的連接。
2.在數學上：推薦系統實際上是擬合一個用戶對內容滿意度的函數：
Y=F（xi，xu，xc） xi：item特征 xu：user特征 xc：contex特征
結合內容特征，用戶特征，環境特征這三個維度，模型會給出一個預估，既推測推薦內容在這一場景下對這一用戶是否合適。
舉個例子：
四、推薦系統算法分類
這里我們只講述基於協同過濾的推薦
五、協同過濾推薦系統：
1.基於用戶的協同過濾（User CF）：
（1）基本原理：通過用戶對不同內容（物品）的行為，來評測用戶之間的相似性，找到“鄰居”基於這種 相似性做出推薦。
相當於，給相似的用戶推薦其他用戶喜歡的內容。
（2）基本步驟： 找到和目標用戶興趣相似的用戶集合
找到這個集合中的用戶喜歡的，並且目標用戶沒有聽說過的物品推薦給目標用戶
（3）怎么找到和你相似的人：
2.基於物品的協同過濾（Item CF）：
（1）基本原理：根據用戶的歷史偏好，推薦相似的物品給用戶。
（2）計算：
1>物品相似度的計算：
2>生成物品相似矩陣的計算：
（3）TopN推薦：
舉個例子：
3.UserCF和ItemCF的比較：
四、代碼實現