中英译本及下载：http://blog.sina.com.cn/s/blog_586631940100pduh.html
以下是摘要笔记：
算法应当结合用户的习惯，用户特点的分类
观影习惯是比较单一 还是比较分散
这是不同的
一、推荐的宗旨：推荐应该要帮助顾客找到和发现新的、相关的、有趣的商品。
Recommendations should help a customer find and discover new, relevant, and interesting items.
二、解决推荐问题有三个通常的途径：传统的协同过滤，聚类模型，以及基于搜索的方法。
推荐算法
大多数推荐算法，都始于先找出一个顾客集合，他们买过和评级过的商品，与当前用户买过和评级过的商品有重叠。算法把来自这些相似顾客的商品聚集起来，排除该用户已经购买过或评级过的商品，并向该用户推荐其余的商品。
这些算法有两个最常见的版本：协同过滤和聚类模型。其他算法——包括基于搜索的方法以及我们自己的商品到商品协同过滤——都集中于寻找相似的商品，而不是相似的顾客。针对用户所购买和评级的每一件商品，算法试图找到相似的产品，然后聚集这些相似的商品，并给予推荐。
1.传统的协同过滤
利用协同过滤来产生推荐，很耗计算，如果降维，则会影响品质。
2.聚类模型
算法的目标是，把该用户分配到含有最相似顾客的细分人群里，然后，算法再利用该细分顾客人群的购买和评级，来生成推荐。
较之协同过滤，聚类模型有更好的在线可扩展性和性能、复杂和昂贵的聚类计算会离线运行。然而，推荐品质却是低的
3.基于搜索的方法
基于搜索或内容的方法，将推荐问题视为相关商品的搜索，如果该用户只有少数购买或评级，基于搜索的推荐算法在计算量和性能上都不错。然而，对于有数千次购买的用户，要以针对所有商品的查询为基础也不太可行，若使用子集则又降低了品质。
三、电子商务推荐算法的环境挑战：
• 大型零售商有海量的数据，以千万计的顾客，以及数以百万计的登记在册的不同商品。
• 许多应用要求结果实时返回，在半秒之内，还要产生高质量的推荐。
• 新顾客很典型，他们的信息很有限，只能以少量购买或产品评级为基础。
• 较老的顾客信息丰沛，以大量的购买和评级为基础。
• 顾客数据不稳定：每一次交互都可提供有价值的顾客数据，算法必须立即对新的信息作出响应。
商品到商品的协同过滤
把推荐作为一种定向营销工具。（每有一个用户，就有一个用户的个性化商店）
它如何工作
协同过滤的变种，将商品分类，而不是用户
对于非常大的数据集，一个可扩展的推荐算法必须离线运行最昂贵的计算。而现有方法达不到这样的要求：
• 传统的协同过滤只做很少或不做离线计算，其在线计算量取决于顾客和登记在册商品的数量。在大数据集的情况下，这样的算法不可行，除非使用维度降低、抽样或区隔——所有这些都降低了推荐的品质。
• 聚类模型能离线运行大量的计算，但推荐品质相对较差。出于改进，可以增加人群细分的数量，但这会使在线的用户-细分人群的分类变得昂贵。
• 基于搜索的模型离线建立起关键词、范畴、作者索引，但不能提供符合兴趣、定向内容的推荐。对于购买和评级很多的顾客来说，这些算法的扩展性不佳。
商品到商品协同过滤的可扩展性和性能的关键是，它离线建立耗时巨大的相似商品表格。该算法的在线部分——针对当前用户的购买和评级来寻找相似的商品——计算量独立于商品目录的规模或顾客的总数；仅仅取决于该用户买过或评级过多少个商品。因此，甚至是对于超大数据集，算法也很快速。由于该算法能推荐高度关联的相似商品，推荐的品质就很出色10。与传统的协同过滤不同，该算法在用户数据有限的情况下也能运行良好，在少至2到3件商品的基础上，产生高品质的推荐。
连接：
http://blog.sina.com.cn/s/blog_586631940100pduh.html
http://www.xysay.com/amazon-item-to-item-collaborative-filtering-207.html
:数组中的join方法)
