一般在推薦系統中，數據往往是使用 用戶-物品 矩陣來表示的。用戶對其接觸過的物品進行評分，評分表示了用戶對於物品的喜愛程度，分數越高，表示用戶越喜歡這個物品。而這個矩陣往往是稀疏的，空白項是用戶還未接觸到的物品，推薦系統的任務則是選擇其中的部分物品推薦給用戶。 （markdown寫表格太麻煩 ...

　　在新手接觸推薦系統這個領域時，遇到第一個理解起來比較困難的就是協同過濾法。那么如果這時候百度的話，得到最多的是奇異值分解法，即（SVD）。SVD的作用大致是將一個矩陣分解為三個矩陣相乘的形式。如果運用在推薦系統中，首先我們將我們的訓練集表示成矩陣的形式，這里我們以movielen數據集為例 ...

輸入 　　稀疏的物品用戶評分矩陣。 輸出 　　輸出1：基於矩陣分解得到的兩個子矩陣。 　　輸出2：根據輸出2得到的已被填充的物品用戶評分矩陣 前言 　　當用戶、物品較多的時候，基於用戶和物品的協同過濾算法存在稀疏性的問題，將矩陣分解應用於協同過濾算法可以提取物品、用戶的隱式特征，發現 ...

1.背景知識 　　在講SVD++之前，我還是想先回到基於物品相似的協同過濾算法。這個算法基本思想是找出一個用戶有過正反饋的物品的相似的物品來給其作為推薦。其公式為： 　　　　　　　　　　　　　　　　　　　　　　　　　　　　 　　其中 rui 表示預測用戶u對物品i的喜愛程度。wij 是物品 ...

1.概述 前面的博客介紹過如何構建一個推薦系統，以及簡要的介紹了協同過濾的實現。本篇博客，筆者將介紹協同過濾在推薦系統的應用。推薦系統是大數據和機器學習中最常見、最容易理解的應用之一。其實，在日常的生活當中，我們會頻繁的遇到推薦的場景 ，比如你在電商網站購買商品、使用視頻App觀看視頻、在手 ...

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 ...

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 ...