基于用户的协同过滤推荐

思想：利用已有用户群过去的行为或意见预测当前用户最可能喜欢那些东西或对哪些东西感兴趣。

资源：用户物品评分矩阵（填空，即对用户没有过评分的物品进行预测打分）

算法目标：寻找N个与当前用户相似的用户，将这K个用户喜欢的物品并且是当前用户未知的物品，推荐给当前用户。

用户相似度评测：常采用改进的余弦相似度进行测量，计算公式：

P={p1,p2,...，pm}表示物品集，U={u1,u2,...,un}表示用户集。用R表示n*m的评分矩阵，rij代表评分项，表示用户i对物品j的评分。

公式分子可以理解为：a,b用户有过共同评分的物品。

选取与用户a最相似的N个用户，根据其与用户a平均评分的偏差，计算用户a对物品p的评分的预测值：

最后将得到的用户对物品的评分进行排序，选取合适数目的物品进行推荐。