Java数据分析指南

第9章　推荐系统

大多数在线购物者都可能熟悉亚马逊的推荐系统，如图9-1所示。

图9-1　Amazon.com的推荐

当消费者浏览商品项目时，网站展示出一些销量很高的类似项目。这些项目来自访问令人惊叹的亚马逊产品、消费者和销售数据库的推荐系统。

现在，许多商品和服务的提供商运行着在线推荐系统。Netflix推荐电影，苹果推荐音乐，Audible推荐图书，Yelp推荐餐馆等。

推荐系统（recommender system）是一种算法，它的分析基于消费者之前的选择与许多其他消费者的比较，预测该消费者的产品偏好。这些算法由亚马逊和Netflix开创，现在已在网络上普及。

聚类算法提供了建立推荐系统的一种机制：推荐同一个聚类中的其他数据点。具体地说，我们可以使用k-均值算法，然后推荐聚类的均值。聚类算法和分类算法都可以类似这样使用，从而实现推荐系统。但是，本章将考察几种专门为推荐系统设计的算法。

9.1　效用矩阵

大多数推荐系统使用的是用户项目偏好的量化输入。这些偏好通常排列在一个矩阵中，矩阵的一行表示每位用户，一列表示每个项目。这样的矩阵叫作效用矩阵（utility matrix）。例如，Netflix请求它的用户按一星到五星对电影进行评分。所以，这个效用矩阵中的每一项会是一个范围0~5的整数u_ij，代表了用户i对电影j的评分星数，其中0代表没有评分。

例如，表9-1展示了一个用户在1~5范围内对啤酒进行评分的效用矩阵，5表示最大的认可。空白表示没有用户对该项目评分。啤酒是：BL = ...