目录Python全系列 教程
3567个小节阅读：5930.4k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
搭建智能推荐系统的算法有很多，其中商业实战中用的较多的为协同过滤(collaborative
filtering)。
根据用户群体对产品偏好的数据，发现用户之间的相似性或者物品之间的相似性，并基
于这些相似性为用户作推荐。
其本质是：寻找相似的用户，进而对用户推荐相似用户关注的产品。
如下表所示，用户1和用户2都给商品A，B，C打了高分，那么可以将用户1和用户2划
分在同一个用户群体，此时若用户2还给商品D打了高分，那么就可以将商品D推荐给用户
1。
其本质是：根据用户的历史偏好信息，将类似的物品推荐给用户
如下表所示，图书A和图书B都被用户1，2，3购买过（1表示购买，0表示未购买），那
么可以认为图书A和图书B具有较强的相似度，即可判断喜欢图书A的用户同样也会喜欢图书
B。当用户4购买图书B时，根据图书A和图书B的相似性，可将图书A推荐给用户4。
在商业实战中，大多应用场景偏向于使用基于物品的协同过滤算法。主要有如下两个原因：
原因一：通常用户的数量是非常庞大的（如淘宝数亿的用户群体），而物品的数量相对
有限，因此计算不同物品之间的相似度往往比计算不同用户的相似度容易很多。
原因二：用户的喜好较为多变，而物品属性较明确不随时间变化，过去用户对物品的评
分长期有效，所以物品间的相似度比较固定，因此可以预先离线计算好物品间的相似度，
把结果存在表中，向客户进行推荐时再使用。
1. 关于基于用户的协同过滤算法，下列说法正确的是:
A 对用户推荐不相关用户关注的产品
B 寻找相似的用户，进而对用户推荐相似用户关注的产品
C 根据用户的历史偏好信息，将类似的物品推荐给用户
D 以上说法均不正确
2. 关于基于物品的协同过滤算法，下列说法正确的是:
A 根据用户的历史偏好信息，将类似的物品推荐给用户
B 在商业实战中，很少使用基于物品的协同过滤算法
C 无需考虑物品之间的相似性
D 以上说法均不正确
1=>B 2=>A
