最近鄰居推薦是最直觀的一種推薦，

也就是基於使用者的協同過濾

和基於物品的協同過濾：根據使用者的歷史行為推薦給另外的使用者，也就是看物品之間的相似度，那麼就是基於物品的協同過濾

評分可以是顯示給的，也可以是隱示，也可以是很多特徵考慮之後打的分

在評分預測中，有兩個問題

1，比如june使用者有缺失值，那麼怎麼獲取最近鄰居，也就是topN的鄰居，這裡涉及相似度計算

2，怎麼預測

（一：首先得到使用者的鄰居，然後我們根據使用者鄰居對該item的評分的均值來作為該使用者對物品的預測評分

二：剛才只考慮了鄰居的評分，但是我們沒考慮使用者跟該使用者的相似度有多大，所以我們還是要加上使用者之間的相似度）

使用者表達同一偏好的表達有可能是不同的，也就是說你評了5分你認為5分很高了，但是我認為5分很低，或者說我認為你的5分在我這裡只能是3分。

也就是說使用者之間的偏好是不同的。

為了避免這種情況產生的誤差，我們可以對每個鄰居的評分進行正則化，就比如我們得到了鄰居評分的均值，然後我們給評分打上權重，就好了。（也就是縮放資料尺度）

說白了就一句話，用鄰居使用者的評價的分值，來預測使用者對物品的評價分值。