领先优势
KNN(k最近邻分类算法)是机器学习中比较简单的算法，应用于推荐的思路如下。 如果一个样本在特征空间中的k个最相似的样本中的大多数属于一个类别，则该样本也属于该类别。
一、算法介绍
KNN(k最近邻分类算法)是机器学习中比较简单的算法，其原理如下。 对于要分类的物品a，定义了刻画某物品间距离的方法，该物品最接近具有已知类别的k个物品，该k个物品中出现最多的类别是物品a的类别。 下图：
在KNN计算中，最核心的一点是如何定义物品间的距离，这里简单列举了几种计算物品间距离的方法。 欧式距离、曼哈顿距离、醉薰母鸡距离、杰卡多系数、夹角余弦、快速小鼠系数。
介绍KNN在实际业务中的运用。
二、业务实践
1、业务场景1
以APP应用程序商店为例，当用户下载完APP时，会触发“大家都还在下载”的推荐。 介绍一种利用knn算法实现该场景推荐的方法。
首先，定义APP应用的维向量的简单方法是将所有特征离散，然后执行one-hot编码以获得所有维取值0/1的向量v。 例如，每个用户可以被认为是一个维度，并且如果第n个用户安装了APP应用程序a，则APP应用程序a在第n个维度中取值1，否则其可以使用欧洲距离获得APP应用程序a和APP应用程序b的距离公式。
。
给定某个APP a，上式中给出距离最小的4个APP，用户下载了APP a之后向该用户推荐这4个APP。
2、业务场景2
在网络购物中，在“猜测你喜欢的东西”的场景中向用户推荐物品，通过用户的历史购物列表，利用杰卡多公式计算用户与用户的相关系数：
表示购买项目x的用户的集合，用户u和用户v之间的距离定义如下：
对于某个用户u，首先找出该用户最近的k个用户，然后根据在这个k个用户中购买的用户数将项目按降序排列，去除用户u已经购买的项目，取top 10个项目