概述：
电子商务网站是个性化 推荐系统重要地应用的领域之一。亚马逊就是个性化推荐系统的积极应用者和推广者，亚马逊的推荐系统深入到网站的各类商品，为亚马逊带来了至少30%的销售额。
不光是电商类，推荐系统无处不在。
QQ，人人网的好友推荐；新浪微博的你可能感觉兴趣的人；优酷，土豆的电影推荐；豆瓣的图书推荐；大从点评的餐饮推荐；世纪佳缘的相亲
思考
购买成功后：购买了该商品的其他用户购买了以下商品
根据用户的实时行为
搜索成功后：您可能感兴趣的以下商品
根据用户的主观意识
主页或广告：您可能感兴趣的以下商品
根据用户的特征向量
推荐；天际网的职业推荐等。
推荐系统
协同过滤(Collaborative Filtering)算法
UserCF
基于用户的协同过滤，通过不同用户对物品的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐。简单来讲就是：给用户推荐和他兴趣相似的其他用户喜欢的物品。
ItemCF
基于item的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐。简单来讲就是：给用户推荐和他之前喜欢的物品相似的物品。
同现矩阵和用户评分向量
Co-occurrence Matrix(同现矩阵)和User Preference Vector(用户评分向量)相乘得到的这个Recommended Vector(推荐向量)
基于全量数据的统计，产生同现矩阵
体现商品间的关联性
每件商品都有自己对其他全部商品的关联性（每件商品的特征）
用户评分向量体现的是用户对一些商品的评分
任一商品需要：
用户评分向量乘以基于该商品的其他商品关联值
求和得出针对该商品的推荐向量
排序取TopN即可
思路解析
通过历史订单交易记录
计算得出每一件商品相对其他商品同时出现在同一订单的次数
so：每件商品都有自己相对全部商品的同现列表
用户会对部分商品有过加入购物车，购买等实际操作，经过计算会得到用户对这部分商品的评分向量列表 查看（点击），收藏，加入购物车，付款
使用用户评分向量列表中的分值：
依次乘以每一件商品同现列表中该分值的代表物品的同现值
求和便是该物品的推荐向量
计算步骤
去除重复数据
计算用户评分向量
计算同现矩阵
计算乘积
计算求和
计算取TopN
原始数据
MapReduce（k:v,原语）
i161,u2625,click,2014/9/18 15:03
i161,u2626,click,2014/9/23 22:40
i161,u2627,click,2014/9/25 19:09
i161,u2628,click,2014/9/28 21:35
用户评分向量（所有用户对所有商品的评分）
同现矩阵
乘积计算
求和计算
去除重复数据
计算用户评分向量
key：用户
value：商品：评分 列表
计算同现矩阵
将每个用户的平分向量列表中的商品，两两组合输出（笛卡儿积），sum次数
key：商品A：商品B
key：商品B：商品A
value：1
计算乘积
按商品分组
同现矩阵：A商品同现列表
评分矩阵：所有用户对A商品的评分
乘机逻辑：不同同现商品下，A商品的乘机
but：计算商品A对于用户甲的推荐向量需要满足：
商品A同现商品各自的评分乘机，再求和
map@key：商品
map@val:
reduce@key：用户+同现
reduce@val：map@key+乘机
计算求和
计算取TopN
同现：
101:101 3
101:102 2
101:103 5
102:101 3
102:102 2
102:103 5
用户评分：
101:12
102:6