协同过滤算法是一种利用集体智慧的方法，它类似与朋友推荐，当你想要看一个电影时，你会去询问跟你有着相同喜好的人有没有自己没看过的好电影。这就是协同过滤的核心思想。然后这些物品中评分最高的一批就是我们要推荐给被推荐的用户的物品。一般对于小型的推荐系统来说，基于

推荐算法是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西，目前应用推荐算法比较好的地方主要是网络，其中淘宝做的比较好。根据 enture Beat的统计，这一举措将该网站的销售额提高了35%自此之后，个性化推荐的应用越来越广泛。用户的资

C[i[0]][j[0]]+=1 #C[i[0]][j[0]]表示电影两两之间的相似度，eg：同时评论过电影1和电影2的用户数。for i,score in user_dict[user_id]: #i为特定用户的电影id，score为其相应评分

目前用的比较多、比较成熟的推荐算法是协同过滤推荐算法，CF的基本思想是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品。如图1所示，在CF中，用m×n的矩阵表示用户对物品的喜好情况，一般用打分表示用户对物品的喜好程度，分数越高表示越喜欢这个物

在优化算法的过程中，工程师总是强调分析数据进一步提高算法性能。但是对于一些老大难问题怎样分析数据，业内目前还没有一些较为全面和体系化的方法论。2018年在成都举行的 ICCCBDA 2018 会议刊登了一篇题为 Quantitative Analysis

同现购买协同过滤为用户做推荐的依据包括：所有人购物的历史纪录，还有用户和商品之间的一般化的关联关系，显然当我们为用户推荐商品的时候，如果有人买过这件商品，而且可能他们大部分还同时都买过其它的某些物品，我们有必要将这些过去一起买的商品推荐给此时买这件商品的用

movies_mean=ratings['Rating'].groupby.mean()#计算所有用户对电影X的平均打分

智能推荐算法总的来说分为两种：基于内容的推荐算法和协同过滤推荐算法。基于user的协同过滤:通过相似用户的喜好来推荐基于item的协同过滤:通过用户对项目的不同评分推荐可能让用户打高评分的项目，是项目之间的相似度。任何一种单一推荐算法都有缺点，我们在实际项

构建物品相似度矩阵的时候可以通过计算两个物品的余弦相似度得出，于是需要构建每个物品在所有用户中的评分矩阵。这里采用的方法是：如果两个物品同时出现在某个用户的评分矩阵中，则计数加1，例如，101和102同时出现在A B E中，因此101和102的相似度计为3