大数据商品推荐算法原理

本文介绍物理的协同过滤推荐算法（ItemCF），让你了解大数据商品推荐算法原理。

一、用户行为与权重

1 点击——1.0分
2 搜索——3.0分
3 收藏——5.0分
4 付款——10.0分

二、算法思想

给用户推荐那些和他们之前喜欢的物品相似的物品。

三、举例

1、现有如下用户、商品、行为、权重



2 、建模



3、算法步骤

3.1 根据用户行为列表计算用户、物品的评分矩阵




3.2 根据用户、物品的评分矩阵计算物品与物品的相似度矩阵




3.3 相似度矩阵乘以评分矩阵得到推荐列表



推荐列表如下：



评分矩阵和推荐列表矩阵如下：



然后设置推荐列表对应元素为0



最终推荐列表如下：



四、编程设计

分4个步骤，每个步骤都是一个MapReduce作业。

第一步：根据用户行为列表计算用户、物品的评分矩阵。

第二步：根据用户、物品的评分矩阵计算物品、物品的相似矩阵。

第三步：物品、物品的相似矩阵x用户、物品的评分矩阵=推荐列表。

第四步：推荐列表中用户之前已经有过行为的元素设置为0。