正如昨天所介紹的，我們之前介紹了基于用戶的協(xié)同過濾推薦算法，但是這種算法存在一種重大缺陷，即：

我們計(jì)算的用戶相似度是歷史記錄中的“老客戶”，這種推薦算法對新注冊用戶，或者缺少行為記錄的用戶是極其不友好的，因?yàn)闊o法計(jì)算與其相似的用戶，因而不能進(jìn)行個(gè)性化推薦，因此，我們從商品的相似度出發(fā)，解決用戶冷啟動問題。

現(xiàn)在簡單介紹基于基于商品的協(xié)同過濾推薦算法：

基于用戶的協(xié)同過濾基本思想非常簡單，就是找到志同道合的朋友，并把朋友感興趣的而用戶沒有接觸過的商品推薦給用戶。

? ? 但是這有一個(gè)問題，由于新用戶的注冊量非常高，基于用戶的協(xié)同過濾推薦需要計(jì)算新用戶和之前的用戶之間的相似度，這會將數(shù)據(jù)稀疏，延展性差等問題暴露的非常明顯。

? ? 所以基于商品的協(xié)同過濾方法被提出，相較于用戶之間的相似度，商品之間的相似度相對是靜態(tài)的，當(dāng)新用戶注冊并有了一些自己感興趣的商品信息時(shí)，無需再進(jìn)行計(jì)算，直接根據(jù)之前存儲的商品之間的相似度，將用戶可能感興趣的商品推薦給用戶。

可以看出基于商品的協(xié)同過濾推薦算法也是分為兩步，第一步是根據(jù)數(shù)據(jù)庫中已有的信息求出商品的相似度，第二步是利用求出的商品之間的相似度計(jì)算用戶對某種商品可能的興趣程度。

? ? ?商品之間的相似度可以利用皮爾遜相似度，余弦相似度或是改進(jìn)的余弦相似度來進(jìn)行計(jì)算。

皮爾遜相似度：

至于數(shù)據(jù)集，與昨日所采用的的數(shù)據(jù)集一致

我們要將得到的數(shù)據(jù)進(jìn)行預(yù)處理，過程與昨日的相同。

由此，我們得到了商品相似度矩陣。

最后進(jìn)行預(yù)測