《機器學習：演算法原理和程式設計實踐》4：推薦系統原理

2、協同過濾及其演算法

     協同過濾通過使用者和產品及使用者的偏好資訊產生推薦的策略，最基本的策略有兩種：一種是找到具有類似品位的人所喜歡的物品；另一種是從一個人喜歡的物品中找出類似的物品。這就是兩個最知名的類別推薦技術：基於使用者的推薦技術和基於物品的推薦技術，它們被稱為協同過濾。

     協同過濾可以利用使用者和物品的資訊來預測使用者的好惡，並發現新的使用者還不知道的東西，形成促銷策略。這就完成了推薦系統的核心思想。

     資料預處理：收集了使用者行為資料，我們還需要對資料進行一定的預處理，減燥和歸一化是最常用的方法，其目的是為了下一步的聚類。

      為了減少計算的開銷，可以先對UI矩陣中的記錄進行聚類，根據聚類的結構在運用SVD演算法。

      KMeans（也稱為K均值）是典型的基於距離的排他的劃分方法：給定一個n個物件的資料集，它可以構建資料的k個劃分，每個劃分就是一個聚類，並且k<=n，同時還要滿足兩個要求：每個組至少包含一個物件，每個物件必須屬於且僅屬於一個組。

    SVD原理和計算：SVD隱語義模型最早在文字挖掘領域被提出，用於找到文字的隱含主題，也被稱為主題模型。相關的名詞有LSI、pLSA、LDA和Topic Model。隱語義模型的核心思想是通過隱含特徵（Latent Factor）計算使用者和物品的相似性。