舉例：以推薦使用者電影為例，假設有100w使用者，10w電影，使用者的id為uid1,uid2,uid3... 電影的id為mid1,mid2,mid3....
（1）畫**，橫座標表示所有電影，縱座標表示所有使用者，交叉點為某個使用者喜歡某部電影
mid1
mid2
mid3
mid4
mid5……
mid10w
uid111
11uid211
11uid311
1uid411
1……uid100w11
如表所示，1表示使用者喜歡這部電影，所有的資料來源我們都已經處理完畢
ps:a.資料來源來自於所有的伺服器落地資料，包括但不僅限於db、日誌；
（2）基於上面的資料，我們來拿出所有使用者的喜歡的電影集合
uid1：
uid2：
uid3：
uid4：
（3）找到每個uid的mid集合交集最多的資料
uid1交集最多的是uid2,uid3,uid4
uid2交集最多的是uid1,uid3
uid3交集最多的是uid1,uid2
uid4交集最多的是uid1
ps：這步可以優化為，直接先找看看有沒有哪個uid的mid集合是直接包含了要查詢的uid的集合的（即該使用者的mid集合是其他使用者mid集合的子集/真子集），如果有，則該集合就是我們要找的集合；如果沒有，則進行如上演算法
例如，這裡的uid3，可以看到，uid3的mid集合就是uid1和uid2的mid集合的真子集，所以，我們就可以直接判斷，和uid3交接最多的就是uid2和uid3
（4）計算交集最多的集合跟自己集合的差集，如，
uid1和uid2的差集： - = ，以此類推
uid1和uid3的差集是空集，uid1和uid4的差集也是空集
拿著這些所有的差集做並集：uid的差集並集集合是
以此類推：
要推薦給uid2的電影集合為
要推薦給uid3的電影集合為
要推薦給uid4的電影集合為
協同過濾以下有幾個難點：
1.如何定義乙個使用者對一件事物持有的態度
2.這裡把對事物的態度簡化了，其實使用者對一件事物的態度應該是個權值，以這個看電影為例子，我們可以把使用者點讚作為10分，瀏覽作為3分等，但是這樣做就增加了整個推薦系統的複雜度
3.最重要也是最難的一點，該演算法必須要有大資料的支援
參考文章：
協同過濾推薦演算法 協同過濾推薦演算法總結
推薦演算法具有非常多的應用場景和商業價值，因此對推薦演算法值得好好研究。推薦演算法種類很多，但是目前應用最廣泛的應該是協同過濾類別的推薦演算法，本文就對協同過濾類別的推薦演算法做乙個概括總結，後續也會對一些典型的協同過濾推薦演算法做原理總結。推薦演算法概述 1 基於內容的推薦 這一類一般依賴於自然語...
推薦演算法之協同過濾
協同過濾的定義 通過找到興趣相投，或者有共同經驗的群體，來向使用者推薦感興趣的資訊。舉例 以推薦使用者電影為例，假設有100w使用者，10w電影，使用者的id為uid1,uid2,uid3.電影的id為mid1,mid2,mid3.1 畫 橫座標表示所有電影，縱座標表示所有使用者，交叉點為某個使用者...
協同過濾推薦演算法 推薦演算法 基於協同過濾CF
前邊我們已經介紹了推薦演算法裡的基於內容的推薦演算法cb，今天我們來介紹一下基於協同的推薦演算法collaboration filtering cf 協同過濾是乙個利用群體智慧型的乙個演算法，舉乙個簡單的例子，如果放假了你想去北京玩幾天，但是不知道北京都有哪些好玩的，你會怎麼做？你可能會上網查一下的...