【机器学习】基于奇异值分解（SVD）的协同过滤推荐算法及python实现

一、协同过滤推荐算法1.1、协同过滤算法的分类1.2、相似度的度量1.3、商品评分的预测 二、奇异值分解（SVD）在协同过滤算法中的应用2.1、协同过滤算法的缺陷2.2、奇异值分解在协同过滤算法中的应用 三、python实现参考资料

推荐算法是机器学习的一个重要分支，协同过滤（Collaborative Filtering,CF）算法是最基本的推荐算法，CF算法从历史行为数据中挖掘用户的兴趣，为用户推荐其最可能感兴趣的项（参考资料1）。

一、协同过滤推荐算法

1.1、协同过滤算法的分类

协同过滤算法可以分为基于用户的协同过滤算法和基于项的协同过滤算法。基于用户的协同过滤算法计算用户之间的相似度，并根据用户之间的相似度给目标用户未评分项进行预测，找出目标用户对未评分项的兴趣；基于项的协同过滤算法计算项之间的相似度，并根据项之间的相似度给目标用户未评分项进行预测，找出目标用户对未评分项的兴趣。