在上一篇文章中分析了“基于内容的推荐”的相关知识后，有网友评论说这种方式存在一些问题。他列举了推荐的板栗作为某调频瓣膜的音乐。 ljdgtx第一次使用调频后，会保留peofile的版本。第二天，你的心情和场景发生了变化，系统推荐的都很奇怪。你只能自己选歌。那之后是第三次，第四次。

我们在制作算法的时候一定不是完美的，所以其他算法会补充产生接近完美的结果。

(java系、java系、java系、java系、java系、java系、java系、java系、java系、java系) ) ) ) ) ) ) )。

今天，我们将分析用户协作过滤是如何实现的。

文章不长，但内容很紧凑，我的产品她看了两次就明白了。你们一次就没关系。

古人说“物以类聚，人以群分”，今天我们就以看电影为例。例如，如果你喜欢看诸如《碟中谍》、《蝙蝠侠》、《源代码》、《星际穿越》等电影，另一个人也喜欢看这些电影，他也喜欢《蜘蛛侠》，那么你可能也喜欢《蜘蛛侠》。

因此，如果用户a需要个性化推荐，可以先找到兴趣与他相似的用户组g，然后向a推荐g喜欢同事a而从未见过的。这是基于用户的协同过滤算法的大致思路。

基于用户的协同过滤推荐算法可以通过以下两个步骤来实现：

1 .找到兴趣相近的用户

2 .推荐道具

(hadoop组、hadoop组、hadoop组、hadoop组、hadoop组、hadoop组、hadoop组、hadoop组和hadoop组

1.发现兴趣相似的用户

通常使用Jaccard表达式或余弦相似度计算两个用户之间的相似度。

如果n(u )是用户u喜欢的项目的集合，而n(u )是用户v喜欢的项目的集合，那么u和v的相似度是多少呢？

Jaccard公式：

余弦相似度：

假设目前有四个用户： a、b、c和d。五个项目： a、b、c、d和e。用户与项目的关系(用户喜欢哪个项目)如下图所示。

如何计算所有用户之间的相似度？为了便于计算，通常创建“物品-用户”倒置表，如下图所示。

然后，对于每个项目，喜欢他的用户在2、2之间将同一项目加1。例如，如果喜欢a的用户有a和b，则矩阵中包含2、2和加1。如下图所示。

计算用户之间的相似度，上面的矩阵只表示式的分子部分。

(java系、java系、java系、java系、java系、java系、java系、java系、java系、java系、java系) ) ) )。

这里，以余弦类似度为例，对上图进行以下计算：

至此，系统将计算用户的相似度，并在图表中直观地找到与目标用户兴趣相似的用户。

2.推荐物品

首先需要从矩阵中找到与目标用户u最相似的k个用户，用集合s(u，k )表示，提取s中用户喜欢的所有用户，并去除u已经喜欢的用户。对于每个候选项目I，用户u感兴趣程度通过以下公式计算：

其中rvi表示用户v对I的喜爱度，这里均被定位为1，在具有用户分数的推荐系统中被代入用户分数。

举个板栗吧。 a向用户推荐商品时，首先选择K=3个相似的用户。每个相似的用户分别是b、c和d，他们喜欢而不喜欢a的项目是c和e，分别计算p(a、c )和p(a、e )。

结果表明，用户a对c和e的喜爱程度可能相同，但在实际推荐系统中，按得分顺序排在前列即可。

(hadoop组、hadoop组、hadoop组、hadoop组、hadoop组、hadoop组、hadoop组、hadoop组和hadoop组

作为jzdwx，我知道学习技术很难，所以想提供很有帮助的知识。

我开始学Hadoop的时候自己看书，但是效率很低，找不到方向和重点。之后在论坛上认识了某渡的cxdbg，给了我一套视频。

0从基础入门Hadoop，到Hadoop生态圈各个组件的说明，最重要的还是一些实际的商业案例，我给大家展示了实际的生产环境。否则，我不知道学什么才适合工作。我也是跟着视频学会的Hadoop。

我把获取视频的方法留在上图的右下角，如果你打算学习Hadoop的话可以去拿最新版。我的有点旧。解释意思最好：学习视频

最后，我想说，读文章不思考、不行动的知识永远不会属于自己。

一起学习。