當使用者u 對商品p 進行了評分，將觸發一次對u的推薦結果的更新。對於使用者u 來說，他與p 最相似的商品們之間的推薦強度將發生變化，所以選取與商品p 最相似的k 個商品作為候選商品。每個候選商品按照「推薦優先順序」這一權重作為衡量這個商品被推薦給使用者u 的優先順序。
這些商品將根據使用者u 最近的若干評分計算出各自對使用者u 的推薦優先順序，然後與上次對使用者u 的實時推薦結果的進行基於推薦優先順序的合併、替換得到更新後的推薦結果。
具體來說：
首先，獲取使用者u 按時間順序最近的k 個評分，記為rk；獲取商品p 的最相似的k 個商品集合，記為s；
其中：表示使用者u 對商品r 的評分；
sim(q,r)表示商品q 與商品r 的相似度，設定最小相似度為0.6，當商品q和商品r 相似度低於0.6 的閾值，則視為兩者不相關並忽略；
sim_sum 表示q 與rk 中商品相似度大於最小閾值的個數；
incount 表示rk 中與商品q 相似的、且本身評分較高（>=3）的商品個數；
recount 表示rk 中與商品q 相似的、且本身評分較低（<3）的商品個數；
公式的意義如下：
首先對於每個候選商品q，從u 最近的k 個評分中，找出與q 相似度較高（>=0.6）的u 已評分商品們，對於這些商品們中的每個商品r，將r 與q 的相似度乘以使用者u 對r 的評分，將這些乘積計算平均數，作為使用者u 對商品q 的評分**即
然後，將u 最近的k 個評分中與商品q 相似的、且本身評分較高（>=3）的商品個數記為 incount，計算lgmax作為商品 q 的「增強因子」，意義在於商品q 與u 的最近k 個評分中的n 個高評分(>=3)商品相似，則商品q 的優先順序被增加lgmax。如果商品 q 與 u 的最近 k 個評分中相似的高評分商品越多，也就是說n 越大，則商品q 更應該被推薦，所以推薦優先順序被增強的幅度較大；如果商品q 與u 的最近k 個評分中相似的高評分商品越少，也就是n 越小，則推薦優先順序被增強的幅度較小；
而後，將u 最近的k 個評分中與商品q 相似的、且本身評分較低（<3）的商品個數記為 recount，計算lgmax作為商品 q 的「削弱因子」，意義在於商品q 與u 的最近k 個評分中的n 個低評分(<3)商品相似，則商品q 的優先順序被削減lgmax。如果商品 q 與 u 的最近 k 個評分中相似的低評分商品越多，也就是說n 越大，則商品q 更不應該被推薦，所以推薦優先順序被減弱的幅度較大；如果商品q 與u 的最近k 個評分中相似的低評分商品越少，也就是n 越小，則推薦優先順序被減弱的幅度較小；
最後，將增強因子增加到上述的**評分中，並減去削弱因子，得到最終的q 商品對於u 的推薦優先順序。在計算完每個候選商品q 的後，將生成一組《商品q 的id, q 的推薦優先順序》的列表updatedlist：
（1）使用者u 對商品p 進行了評分，觸發了實時推薦的一次計算；
（2）選出商品p 最相似的k 個商品作為集合s；
（3）獲取使用者u 最近時間內的k 條評分，包含本次評分，作為集合rk；
（4）計算商品的推薦優先順序，產生集合updated_s；
將updated_s 與上次對使用者u 的推薦結果rec 利用公式(4-4)進行合併，產生新的推薦結果newrec；作為最終輸出。
多模型融合推薦演算法
常見的多模型融合演算法 多模型融合演算法可以比單一模型演算法有極為明顯的效果提公升。但是怎樣進行有效的融合，充分發揮各個演算法的長處？這裡總結一些常見的融合方法 1.線性加權融合法 是給使用者 user 推薦商品 item 的得分，是演算法k的權重，是演算法k得到的使用者 user 對商品item的...
推薦系統的排序演算法 樹模型
1.2 決策樹的整合演算法 1.3 決策樹整合演算法案例 2.整合學習 主要包括決策樹 隨機森林 rf gbdt gbdt lr和深度森林。樹模型的優點是可以通過有監督的方式進行特徵的自動交叉和選擇，也是整合學習中的常用方法或組成部分，樹模型在工業界常用的方法有gbdt lr和xgboost。決策樹...
推薦演算法5 隱語義模型
lfm latent factor model 隱語義模型的核心思想是通過隱含特徵 latent factor 聯絡使用者興趣和物品，採取基於使用者行為統計的自動聚類。lfm通過如下公式計算使用者u對物品i的興趣 對每個使用者取樣負樣本時，要選取那些很熱門，而使用者卻沒有行為的物品。下面的pytho...