前文介紹了協同過濾演算法和基於內容的推薦演算法

協同過濾演算法要求要有很多使用者，使用者有很多操作

基於內容的推薦演算法使用者可以不用很多，但是使用者的操作也要有很多

但是，如果要推薦給新使用者（使用者的操作不多），應該要怎樣推薦呢？這裡就要用到相似性推薦了

相似性推薦定義：對於新使用者A，沒有ta的歷史行為資料，在ta點選了item-X的場景下，可以將與item-X最相似的item集合推薦給新使用者A。

問題轉化為，如何用一種通用的方法，表達item之間的相似性。

仍然以電影推薦為例子，相似性推薦演算法執行步驟：

1.找到使用者瀏覽過的某電影

2.定義這些電影的具體內容，假設我們以{導演，型別，男主，女主，男配，女配，地區，語言，時長}為維度來定義（這點跟基於內容的推薦演算法一樣）

3.對每個維度設立權值，並且對於同個key不同的value直接設定不同的分數（且稱為相似度評分吧），例如：

我們認為，權值分配是{導演1，型別2，男主3，女主4，男配5，女配6，地區7，語言8，時長9}（維度後面跟的是權值）

假設使用者瀏覽過的電影男主為男主1，而另一部電影，假設男主也是男主1，則男主項得10*3分；假設是男主2，則得8*3分；是男主3，則得5*3分，以此類推

具體的權值和值與值之間的分數可以自己定

4.基於步驟3，拿到分數最高的電影，即為要推薦的電影

具體再看一下

（1）找使用者瀏覽過的電影，假設為電影A

（2）定義這些電影的具體內容，假設定為

{導演1，型別1，男主1，女主1，男配1，女配1，地區1，語言1，時長1}

（3）對每個維度設立權值，並且對於同個key不同的value直接設定不同的分數

為簡單起見，假設我們所取的維度+權值為{導演1，型別2，男主3，女主4，男配5，女配6，地區7，語言8，時長9}，

假設所有的維度裡，滿分都為10（即值相同記為10分）

型別1和型別2相似度評分為8分

型別1和型別3的相似度評分為2分

男主1和男主2的相似度評分為9分

男主1和男主3的相似度評分為8分

假設我們待推薦的電影只有2部（實際當然不可能），

電影B：{導演1，型別2，男主3，女主1，男配1，女配1，地區1，語言1，時長1}

電影C：{導演1，型別3，男主2，女主1，男配1，女配1，地區1，語言1，時長1}

電影B的推薦評分：1*10+2*8+3*8+4*10+5*10+6*10+7*10+8*10+9*10=440

電影C的推薦評分：1*10+2*2+3*9+4*10+5*10+6*10+7*10+8*10+9*10=431

電影B的推薦評分大於電影C的推薦評分，所以給使用者推薦電影B

相似性推薦，原理大致如上，要說明的是：
（1）由於沒有使用者歷史行為積累，不是個性化推薦，所以所有使用者的推薦結果都是相同的
（2）一般來說，距離公式確實是線性的
（3）一般來說，每個維度的權重不一樣
（4）這個線性公式，以及維度的權重，都可以通過機器學習訓練出來

參考文章：http://mp.weixin.qq.com/s/KROc9G_kAs8_vquKQKJIFw