总结下工作中常用的推荐算法
1.基于内容的推荐算法（简单）
2.基于用户的推荐算法（简单）
3.协同过滤推荐算法（相对复杂）
第一种和第二中算法的基础在于标签体系质量情况。第三种需要对用户的行为进行大规模的收集，取决于埋点质量情况。
1.基于内容的推荐算法：
2.基于用户的推荐算法：
3.协同过滤推荐算法：
实现协同过滤的步骤
1、收集用户偏好
2、数据清洗
3、找到相似的用户或物品
4、计算推荐
3.1收集用户偏好：
例如：
假设我们选区评分作为计算偏好如下表：
每行3个字段，依次是用户ID,物品ID,用户对物品的评分(0-5分，间隔为0.5分)
3.2计算相似性
根据用户，物品，评分，计算出什么人喜欢什么，以及程度
相似性的度量计算方式有下列几种（包括但不限）：
1.欧氏距离相似度
2.皮尔森相似度
3.余弦相似度
4.曼哈顿距离相似度
3.2.1假设本次取“欧式距离”计算，计算如下：
3.2.2当得到欧式距离后，我们使用欧式距离相似度计算公式：
S（相似度）= 1 / p（欧式距离） +1
当p越小的时候（也就是距离越小的时候），S越大，说明相似度越高
3.3我们根据上诉计算方式得到如下表格：
结论：
可以看到，当最后一列相似度的数值越大，说明与用户01的相似度越高。
所以我们相向用户04推荐物品wp_02商品