音乐推荐算法思考

音乐推荐算法：
核心点
1、找到口味相似的用户，把他们爱听的歌曲推荐给你；
2、找到你喜欢的歌曲类似的歌曲，把这个歌曲推荐给你。

1、第一个问题：

如何找到口味相似的用户？
通过大量的用户数据，对用户爱听的歌曲设置不同的权重，

单曲循环	分享	收藏	搜索	听完	没听过	跳过
5分	4分	3分	2分	1分	0分	-1分

以每个用户对所有歌曲作行为记录并打分，这个时候就存在一个问题，改用什么样的算法找出2个用户的口味近似呢？欧几里得距离（Euclidean distance）。欧几里得距离是用来计算2个向量之间的距离的。这里面有两个关键词，向量和距离。

	阴天	十年	完	后来	平凡之路	夜空中的星	我们
小明	4	0	-1	1	0	3	5
小李	5	3	2	0	4	-1	0
小红	4	3	0	1	5	1	0
小海	2	3	1	5	5	-1	0

一维空间是一条线，我们用 1，2，3……这样单个的数，来表示一维空间中的某个位置；二维空间是一个面，我们用（1，3）（4，2）（2，2）……这样的两个数，来表示二维空间中的某个位置；三维空间是一个立体空间，我们用（1，3，5）（3，1，7）（2，4，3）……这样的三个数，来表示三维空间中的某个位置。一维、二维、三维应该都不难理解，那更高维中的某个位置该如何表示呢？

类比一维、二维、三维的表示方法，K 维空间中的某个位置，我们可以写作（X1, X2， X3,... XK)。）。这种表示方法就是向量（vector）。我们知道，二维、三维空间中，两个位置之间有距离的概念，类比到高纬空间，同样也有距离的概念，这就是我们说的两个向量之间的距离。

我们把每个用户对所有歌曲的喜爱程度，都用一个向量表示。我们计算出两个向量之间的欧几里得距离，作为两个用户的口味相似程度的度量。

2 、两外一个考量标准是基于相似歌曲的推荐

上面是相似用户的歌曲推荐，但是如果是一个新用户，我们还没有足够多的用户行为数据，这个时候该如何推荐呢？这个时候就可以根据相似歌曲作推荐，如果某首歌曲跟你喜爱的歌曲类似，我们就把它推荐给你。

那么问题来了，如何定义2首歌是类似的？
第一种思考，我们从歌曲的类型，伤感的、欢快的、摇滚的、乡村的、爱情的来分别打分，以这种方式来计算每首歌的欧几里得距离，这样可以判断出那些歌曲比较类似。
这种方式 对于有海量曲库的平台来说，计算量会非常大，而且人工分类的方式，有很多主观性在里面，会影响到推荐的准确性。

第二种，换一种思考模式，就是以用户对歌曲的评价来判定2首歌是否类似，对于2首歌，假如喜欢的用户都差不多，可以说明这2首歌比较类似。

	小明	小李	晓红	小C	KK	小王	阿哲
十年	4	0	-1	1	0	3	5
喜欢你	5	3	2	0	4	-1	0
平凡之路	4	3	0	1	5	1	0
国王与乞丐	2	3	1	5	5	-1	0

这个其实就是上面打分的倒置，只是从歌曲出发，以用户的评分为向量，通过向量来计算2首歌的欧几里距离，距离越小，说明这2首歌越类似。然后在用户喜欢的歌曲中，找出离这些歌欧几里得距离最小的歌曲（最类似）推荐给他。