第三章：隐式评价和基于物品的过滤算法

原文：http://guidetodatamining.com/chapter3/

本章会从用户的评价类型开始讨论，包括显式评价（赞一下、踩一脚、五星评价等等）和隐式评价（比如在亚马逊上购买了MP3，我们可以认为他喜欢这个产品）。

内容：

• 显式评价
• 隐式评价
• 哪种评价方式更准确？
• 基于用户的协同过滤
• 基于物品的协同过滤
• 修正的余弦相似度
• Slope One算法
• Slope One的Python实现
• MovieLens数据

第二章中我们学习了协同过滤和推荐系统的基本知识，其中讲述的算法是比较通用的，可以适用于多种数据集。

用户使用5到10分的标尺来对不同的物品进行打分，通过计算得到相似的用户。但是，也有迹象表明用户通常不会有效地使用这种度量方式，而更倾向于给出极好或极差的评价，这种做法会使推荐结果变得不可用。

这一章我们将继续探讨这个问题，尝试使用高效的方法给出更精确的推荐。