1. 背景 在數據爆炸我們每天被數據困擾的今天，數據量發生指數級的增長，每一年產生的大數據是過去歷史的總和。那么在茫茫數據大海中，對於數據生產者，怎么將自己的信息精准投放給所需的用戶呢？而對於數據消費者，怎么從海量數據中快速獲取自己需要的信息呢？這時推薦引擎應運而生。 推薦應用其實已經走進 ...

Taste 是 Apache Mahout 提供的一個協同過濾算法的高效實現，它是一個基於Java實現的可擴展的高效的推薦引擎。該推薦引擎是用<userid,itemid,preference>這樣簡單的數據格式表達用戶對物品的偏好。以此為輸入數據，計算后就可以得到為每個user推薦 ...

Collaborative Filtering Recommendation 向量之間的相似度 度量向量之間的相似度方法很多了，你可以用距離（各種距離）的倒數，向量夾角，Pearson相關系數等。 ...

剖析千人千面的大腦——推薦引擎部分，其中這篇是定位：對推薦引擎中的核心算法：協同過濾進行深挖。 首先，千人千面融合各種場景，如搜索，如feed流，如廣告，如風控，如策略增長，如購物全流程等等；其次千人千面的大腦肯定是內部的推薦引擎，這里有諸多規則和算法在實現對上述各個場景進行“細分推薦排序 ...

一、推薦算法 當你在電商網站購物時，天貓會彈出“和你買了同樣物品的人還買了XXX”的信息；當你在SNS社交網站閑逛時，也會看到“你可能認識XXX“的信息；當你在微博添加關注人時，也會看到“你可能對XXX也感興趣”等等。所有這一切，都是背后的推薦算法運作 ...

協同過濾（Collaborative Filtering，簡稱CF）推薦算法是誕生最早，並且較為著名的推薦算法。主要的功能是預測和推薦。算法通過對用戶歷史行為數據的挖掘發現用戶的偏好，基於不同的偏好對用戶進行群組划分並推薦品味相似的商品。協同過濾推薦算法分為兩類，分別是基於用戶的協同過濾算法 ...

剖析千人千面的大腦——推薦引擎部分，其中這篇是定位：對推薦引擎中的核心算法：協同過濾進行深挖。 首先，千人千面融合各種場景，如搜索，如feed流，如廣告，如風控，如策略增長，如購物全流程等等；其次千人千面的大腦肯定是內部的推薦引擎，這里有諸多規則和算法在實現對上述各個場景進行“細分推薦排序 ...

協同過濾推薦算法是最重要的算法，它是基於協同過濾算法的物品分為基於用戶的協作過濾算法。 本文介紹了基於用戶的協同過濾算法。簡單的說，給用戶u推薦。所以只要找出誰和u課前行為似用戶。這與u較像的用戶。把他們的行為推薦給用戶u就可以。 所以基於用戶的系統過濾算法包含兩個步驟 ...