集体智慧编程读书笔记——第二章 提供推荐

1. 概念：

协作性过滤算法是对一大群人进行搜索，并从中找出与我们品味相近的一小群人。算反对这些人所偏爱的其他内容进行考察，并将它们组合起来构造出一个经过排名的推荐列表。

2. 表示方法：

书中的例子用嵌套字典表示用户的喜好数据。{"person":{"item1":score, "item2":score}}。PS:形式化是很重的步骤，机器学习最难的步骤之一。

3. 用户相识度计算

欧几里得距离和皮尔逊相关度。

欧几里得距离：被评价的物体为坐标轴，将用户绘制到坐标轴上，用欧几里得公式计算用户的距离。

皮尔逊相关度：适用于数据不是很规范的时候，PS：实际应用中不都是数据不规范吗，所以更实用。将被比较的用户作为坐标轴，将被评价的物体根据用户评分绘制在坐标轴上，找一条离所有物体所在点最近的直线，称为最佳拟合线。如果用户对物体评价都相同，那这条直线将是对角线，并与所有点相交。

4. 计算步骤

a. 收集用户偏好，将用户偏好用一种数据结构存储，如果是大规模数据最好存入数据库中；

b. 用相关算法寻找相近用户；

c. 通过相近用户的喜好情况预测被推荐用户的喜好。

待续。。。。。。