2、协同过滤及其算法
协同过滤通过用户和产品及用户的偏好信息产生推荐的策略，最基本的策略有两种：一种是找到具有类似品位的人所喜欢的物品；另一种是从一个人喜欢的物品中找出类似的物品。这就是两个最知名的类别推荐技术：基于用户的推荐技术和基于物品的推荐技术，它们被称为协同过滤。
协同过滤可以利用用户和物品的信息来预测用户的好恶，并发现新的用户还不知道的东西，形成促销策略。这就完成了推荐系统的核心思想。
数据预处理：收集了用户行为数据，我们还需要对数据进行一定的预处理，减燥和归一化是最常用的方法，其目的是为了下一步的聚类。
为了减少计算的开销，可以先对UI矩阵中的记录进行聚类，根据聚类的结构在运用SVD算法。
KMeans（也称为K均值）是典型的基于距离的排他的划分方法：给定一个n个对象的数据集，它可以构建数据的k个划分，每个划分就是一个聚类，并且k<=n，同时还要满足两个要求：每个组至少包含一个对象，每个对象必须属于且仅属于一个组。
SVD原理和计算：SVD隐语义模型最早在文本挖掘领域被提出，用于找到文本的隐含主题，也被称为主题模型。相关的名词有LSI、pLSA、LDA和Topic Model。隐语义模型的核心思想是通过隐含特征（Latent Factor）计算用户和物品的相似性。
