推荐算法大体分为3类：基于系统过滤的推荐、基于内容的推荐、混合推荐
1.基于协同过滤的推荐系统（Collaborative Filtering）
使用行为数据，利用集体智慧来推荐。属于有监督学习。基于用户的协同过滤（找和你兴趣相似的人所喜欢的东西）和基于物品的协同过滤（都喜欢这个东西的人喜欢的其他东西）
基于数据统计（记忆）的CF（Neighborhood-Based）
（1）基于用户的协同过滤：
步骤一：搜索最相似的用户
相似度的计算方法很多：
I Jaccard相似度：实际上就是 交集/并集
1 | sim(A,B)=|A∩B|/|A∪B| |
缺点是没有考虑评分，因为只用到了评分项目是什么
II 余弦相似度： 给出的值为-1到1之间
余弦相似度
1 | sim(A,B)=cos(A,B); |
缺点是认为缺失值为0
III 皮尔逊相关系数：缺失值是平均值。给出的值为-1到1之间
皮尔逊相关系数
有的用户对于喜欢的打的值普遍偏高或者偏低，这种计算方法可以得到较为客观的结果。步骤二：计算用户与新物品之间的相似度，也可以理解为预测函数
相似度的计算方法很多：
I 直接求平均
假设A与B、C相似，使用二者已评值相加然后/2求值
II 加权平均
利用上一步求出得余弦相似度，加权求得最终结果。假设B与A余弦相似度为0.38，评分为3，C与A余弦相似度为0.32，评分为5。则加权平均为(3x0.38+0.32x5) / (0.38+0.32)
计算完成之后，根据TOP-N排序得到得就是推荐列表。
