关于这个推荐系统协同过滤算法优化，我是知道那么一点点的那咱们先来说说啥是推荐系统。推荐系统，但其实就是个能个性化筛信息的好东西！它的老大目标咧，就是根据咱们用户平日里的喜好跟动作习惯，给咱找来那些有大可能让咱感兴趣的消息或者商品。这其中，那个协同过滤算法就是特关键的一种推荐技术在好多领域都被大用到
咱们再来讲讲协同过滤算法的底层原理。它基本思路是这样的：就是瞅瞅用户跟用户之间像不像，再看看东西和东西之间搭不搭，然后推测用户可能瞧着顺眼神儿的物件，按照这个来整推荐咧。它可是借了大伙集体的聪明脑瓜儿，把咱们用户对各种物件的反馈、评分啥评情儿整合起来，找出咱们人群里的偏好道道。
1. 具体分类情况
① 先说说基于用户的协同过滤算法它是靠分析用户和用户像不像来弄推荐的咧。要是俩用户以往的动作或者评分上都特别像！那一个用户看得上的物品，大概率另一个用户也会稀罕
② 再就是基于物品的协同过滤算法！它重点是给用户推荐跟Ta之前喜欢的东西搭边儿的。这就不管用户是不是差不多了，是去找东西跟东西之间的联系
2. 算法有啥突出优点
① 它还有个厉害的地方，不用预先给物件还有用户分类或者做标记，不管啥类型的数据它都能使上力，好用得很
② 再说在算法难度上啥的，它就是简单得能瞧见底儿，你学它，实现它，布置它都不费事。
③ 而且，它推出的结果准头够着个儿，能给用户整出那种专门对口味儿的推荐服务。
实际操作里，它要咋整优化？我也能说个一二。
咱先讲讲，实际操作中协同过滤算法优化重要吗？非常必要因为有时候，它的数据老的不连贯，少的，多的缺啥样儿的都有。还有，一碰到冷启动状况，就是新用户刚进或者新商品刚来的时候，它的推荐就不太给力。再不然，还老是出现那种推荐的东西是同一个意思，能让人看着差不多的事。这就得好好琢磨怎么改良！
在有冷启动难题的时候嘞，我们得用上点别的方法或者信息。比如说碰到新用户了，咱拿Ta注册时候填的那些信息去弄粗略的个性化推荐。新商品刚上架哩，就依照商品本身的属性还有过往相似商品来处理处理。把这数据一块儿整合整合！就能让算法早点把威力使出来了。
接下来是有关数据处理和特征提取方面的招儿一定确定以及肯定得把那些不三不四的数据洗干净，像空缺的信息漏洞，那些没用的多余项，有错处的点，都得整吧整。再提取出对劲儿、能显出关联的特征出来，这可以让算出来的相似度更贴近真的事实
1. 优化相似度算的方法
可以多整几种算相似度的法子揉巴揉巴用着。可以用欧几里得距离方法，或者皮尔逊相关系数，就看情况咱切换用不同的方法，找到那个最适配目前数据集的，还可以给相似度方法再改造一些地方，往里面添点有针对性目的东西进去。这样算出来的相似度可靠多
有人问了，要是碰到数据量太大影响运算速度了，咋办？别着急，有些办法！可以搞数据采样。就对用户和物品来抽样检查，这样就把数据集整小一些；还能实施矩阵分解把原来的评分矩阵弄成俩小矩阵，能有效降维，算起来就嗖嗖的；要是把数据分布式并行计算安排上，也特别好使！能明显把处理时段缩得超短短短，对提高实时性能那确实强得不行不行的
针对商品推荐总出重复感觉的问题，咱们要用到多元化策略！像从多样性、新颖性别的角度思考，用增强混合推荐算法。除了协同过滤算法，也夹点儿基于内容的推荐算法，多来几种算法产生叠加。然后考虑从种类方面做推荐，比如让推荐列表里面包含多种不同品类、档次嘞产品结合在一块。另外多照顾那些不那么热门，但其实也别有特点的新上架或者少有人看见商品类别……
再问，怎么来检验优化得好不好可以设定一些靠谱的测量标准儿类似准确率、召回率、F1值这些呢都能表示数据的情况呀特征呀啥得合适程度嘞比率性的评断数据。用测试集合看一下算法做出推荐和实际的用户动作，还有喜好匹不匹配嘞符合不符合也能拿A/B测试来观察一下咧！让一定量用户使用优化前的过滤算法还有优化之后的俩不同算法做推荐得到的物品反馈不同体验呀情况呀信息啊 ，收集下来用户偏好、购买这些大数据 。
我觉得就推荐系统协同过滤算法来讲，咱们想要把它整得好使，就得一步一个脚印去根据遇到每个阶段问题去做应对，同时要根据具体数据情况和业务实际操作里出现难题采用可行策略具体选择方法去优化、让商品的推荐变准头变好更新颖更得各个用户偏好就一定能够实现的。不能光守着老方法，得创新改进一下算法思路。
