(Notes summed up by watching the advanced Hadoop of MOOC: http://www.imooc.com/learn/890 )
1. Cosine similarity
Other Similarity Types
1. Chebyshev distance 2. Euclidean distance 3. Pearson coefficient 4. Manhattan distance 5. Jaccard distance
2. Item-based collaborative filtering algorithm ItemCF
Algorithm idea: Recommend items to users that are similar to items they liked before
1. User behavior and weight
example:
Users: A, B, C
Products: 1,2,3,4,5,6
Behavior: 1 point for click, 3 points for search, 5 points for collection, 10 points for payment
Build a list of user actions:
User Item Behavior
A 1 click
C 3 Favorites
B 2 Search
B 5 Search
B 6 Favorites
A 2 Payment
C 3 Payment
C 4 Favorites
C 1 Favorites
A 1 click
A 6 Favorites
A 4 Search
Each row indicates that a user has acted on a certain item once.
2. Algorithm implementation steps
step1: Calculate the rating matrix of users and items according to the user behavior list
step2: Calculate the similarity matrix between items and items
for example:
Constructed into two vectors: (2,0,5) and (10,3,0)
所以物品1与物品2的相似度为0.36，其他同理，最终得出物品与物品的相似度矩阵
step3:相似度矩阵*评分矩阵=推荐列表
（注意：因为矩阵的相乘区分左右，所以相似度矩阵与评分矩阵的顺序不能变）
最终将推荐矩阵与评分矩阵相比较，将用户看过的电影置为0。
最终选取值最大的推荐给用户
A-5 B-4 C-2
三. 基于用户的协同过滤算法UserCF
算法思想：给用户推荐和他兴趣相似的其他用户喜欢的物品
例子：数据样本与基于物品的一样
算法实现步骤
step1:根据用户行为列表计算用户，物品的评分矩阵
基于物品的CF与基于用户的CF的区别是：
基于物品的CF的行号是物品，列号是用户
基于用户的CF的行号是用户，列号是物品
step2:计算用户与用户的相似度矩阵
step3:相似度矩阵*评分矩阵=推荐列表
将用户产生过行为的物品的分值置0，得出最终的推荐列表
四. 基于内容的协同过滤算
算法思想：给用户推荐和他之前喜欢的物品在内容上相似的其他物品。
对物品进行特征建模Item Profile
1表示电影具有某特征，0表示电影不具有某特征
算法实现步骤
step1:构建Item Profile矩阵
step2:构建Item User评分矩阵
step3:Item User*Item Profile=User Profile
最后得出的矩阵表示用户对某种标签的感兴趣程度。
可以看出U1用户对特征（4）和（7）最感兴趣，其权重均为6。
step4:对Item Profile和User Profile求余弦相似度
