“協”，指許多人協力合作。

“協同”，就是指協調兩個或者兩個以上的不同資源或者個體，協同一致地完成某一目標的過程。

“協同過濾”，簡單來說，就是利用興趣相投或擁有共同經驗的群體的喜好來給使用者推薦感興趣的資訊，記錄下來個人對於資訊相當程度的迴應（如評分），以達到過濾的目的，進而幫助別人篩選資訊。迴應不一定侷限於特別感興趣的，特別不感興趣資訊的紀錄也相當重要。

最近研究Mahout比較多，特別是裡面協同過濾演算法；於是把協同過濾演算法的這個實現思路與資料流程，總結了一下，以便以後對系統做優化時，有個清晰的思路，這樣才能知道該如何優化且優化後資料亦能正確。

     推薦中的協同過濾演算法簡單說明下：

     首先，通過分析使用者的偏好行為，來挖掘出裡面物品與物品、或人與人之間的關聯。

     其次，通過對這些關聯的關係做一定的運算，得出人與物品間喜歡程度的猜測，即推薦值。

     最後，將推薦值高的物品推送給特定的人，以完成一次推薦。

     這裡只是籠統的介紹下，方便下邊的理解，IBM的一篇部落格對其原理講解得淺顯易懂，同時也很詳細《深入推薦引擎相關演算法 - 協同過濾》，我這裡就不細講了。

     協同過濾演算法大致可分為兩類，基於物品的與基於使用者的；區分很簡單，根據上面的邏輯，若你挖掘的關係是物品與物品間的，就是基於物品的協同過濾演算法，若你挖掘的關係是使用者與使用者間的，就是基於使用者的協同過濾演算法；由於它們實現是有所不同，所以我分開整理，先來看看基於物品的協同過濾實現，我自己畫了一幅圖：

     我通過數字的順序，來標示資料變化的方向（由小到大）；下面分析下每一個步驟的功能以及實現。

     首先，說明下兩個大的資料來源，使用者偏好資料：UserID、ItemID、Preference：表示一個對一個物品的喜好程度；關係資料：ItemIDA(UserIDA)、ItemIDB(UserIDB)、Similarity：表示兩個人或物品間的相似程度；接著一個使用者來了，我們需要為其推薦，得拿到他的身份標示，一般是UserID，於是：

     ①.    查詢這個使用者喜歡過的物品（即偏好的產品，並查出偏好值後面會用），以及還沒有喜歡過的商品，前者是推薦運算的根據，後者作為一個產生推薦的一個集合；如② 畫的那樣。

     ②.    這裡是一個可擴充套件的地方（我自己理解）；因為這兩部分的資料的作用非常明顯，修改這兩個集合對後面產生的推薦結果可產生非常直觀的影響，比如清洗過濾，或根據使用者屬性縮小集合；不僅使後面推薦效果更優，運算效能也可以大幅度提高。

     ③.    查詢這兩個集合之間的關係，這是一對多的關係：一個沒有偏好過的物品與該使用者所有偏好過的物品間的關係，有一個值來衡量這個關係叫相似度Similarity；這個關係怎麼來的，看藍色箭頭的指向。步驟⑥

     ④.    得到這個一對多的關係後，就可以計算這個物品對於這個使用者的推薦值了，圖中similarity_i-x表示Item_i 與 Item_x 之間的相似度，Item_x是該使用者偏好過得，該使用者對其偏好值記為 value_x ，相乘；Item_i 與 該使用者偏好過的所有物品以此做以上運算後，得到的值取平均值 便是 Item_i的推薦值了。注：有可能Item_i 不是與所有 該使用者偏好過的物品都都存在相似性，不存在的，不計算即可；另外這裡方便理解介紹的都是最簡單的實現；你也可以考一些複雜的數學元素，比如方差來判斷離散性等。

     ⑤.    這步就簡單多了，剛才對該使用者沒有偏好過的集合中的所有Item都計算了推薦值，這裡就會得到一個list，按推薦值由大到小排序，返回前面的一個子集即可。

     ⑥。 前面已經提到，關係資料時怎麼來的，也是根據使用者的偏好資料；你把其看成一個矩陣，橫著看過來，參考兩個Item間的共同使用者，以及共同使用者的偏好的值的接近度；這裡的可選擇的相似度演算法很多，不一一介紹了，前面提到的IBM部落格也詳細講解了。

     基於物品的協同過濾演算法分析完了，下面是基於使用者的協同過濾演算法，還是自己畫了一幅圖：

     ①.    同樣也是查詢，只是查詢的物件不一樣了，查詢的是與該使用者相似的使用者，所以一來直接查了關係資料來源。以及相似使用者與該使用者的相似度。

     ②.    與剛才類似，也是對資料集的一個優化，不過作用可能沒那麼大。（個人感覺）

     ③.    查詢關係資料來源，得到相似使用者即鄰居偏好過的物品；如步驟④；圖中由於空間小，沒有把所有鄰居的偏好關係都列出來，用……表示。其次還要得到該使用者偏好過的物品集合。

     ④.    被推薦的Item集合是由該使用者的所有鄰居的偏好過的物品的並集，同時再去掉該使用者自己偏好過的物品。作用就是得到你的相似使用者喜歡的物品，而你還沒喜歡過的。

     ⑤.    集合優化同基於物品的協同過濾演算法的步驟②。

     ⑥.    也是對應類似的，依次計算被推薦集合中Item_i 的推薦值，計算的方式略有不同，Value_1_i表示鄰居1對，Item_i的偏好值，乘以該使用者與鄰居1的相似度 Similarity1；若某個鄰居對Item_i偏好過，就重複上述運算，然後取平均值；得到Item_i的推薦值。

     ⑦、⑧. 與上一個演算法的最後兩部完全類似，只是步驟  ⑧你豎著看，判斷兩個使用者相似的法子和判斷兩個物品相似的法子一樣。

     詳細的實現過程分析完了，但Mahout裡面的實現時，似乎不太考慮查詢的成本，並非一次全部查出，每計算個Item的推薦值查一次，你計算5000個就查5000次，若資料來源都使用的是MySQL的話，我有點根兒顫，但一次全部查出再計算，肯定是個慢查詢，且查詢後的資料不是規則的，需要整，又添加了計算量；若各位有好的優化思路，望能分享下，先謝過。

原文地址：https://blog.csdn.net/mousever/article/details/52518124