近期想使用推荐系统实现一些功能，由于不懂Java，担心Python的性能不够，因此就关注了go语言实现的开源项目。

推荐系统中的协同过滤算法原理

协同过滤的原理很简单，就是根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性， 或者是发现用户的相关性,然后再基于这些关联性进行推荐

这里主要实现了基于用户和基于项目的协同过滤两种推荐算法¹

基于用户的协同推荐（User based Collaborative Filtering Recommendation）

基于用户协同推荐的原理是，根据所有用户对物品或者信息的偏好，发现当前用户口味和偏好相似的“邻居”用户群， 基于邻居的偏好信息，对用户进行推荐

举例, 假设有以下关系

A –> a,c 表示用户A喜欢物品a和c
B –> b
C –> a,c,d
可以发现用户A和C的口味偏好相似（他们是邻居），同时C喜欢物品d，那么我们可以推断 用户A也可能喜欢物品d

Item based Collaborative Filtering Recommendation

基于项目的协同推荐

基于项目的协同推荐的原理是，它使用所有用户对物品或者信息的偏好，发现物品和物品之间的相似度， 然后根据用户的历史偏好信息，将类似的物品推荐给用户

举例，假设有以下关系

A –> a,c
B –> a,b,c
C –> a
根据基于项目的协同过滤原理，可以发现物品a和物品c相似，用户C喜欢a物品，那么可以把c物品推荐给他

在github上搜索，发现项目较少，较为完善的是gorse项目

gorse: Go Recommender System Engine

gorse使用go语言实现推荐系统，提供以下模块方便构建推荐系统：

• 数据：支持从文件加载（提供内置部分数据可用于测试）
• 分离器：支持k-fold、 比率ratio 、 leave-one-out分离数据集
• 模型：推荐模型基于协同过滤算法，包括矩阵分解、基于临接的方法、Slope One、Co-Clustering²
• 评估：可使用RMSE、 MAE来评分，包括准确率Precision、召回率Recall、归一化折损累积增益NDCG、MAP、MRR、AUC
• 参数搜寻：使用方式网格搜索grid search 或 随机搜索random search寻找最佳超参数
• 持久化：保存模型或加载模型
• SIMD（可选）：理论上在对矢量采用AVX2指令，可以获得比单指令快4倍的速度

项目地址：github.com/zhenghaoz/gorse

1. 推荐项亮著的推荐系统实践 ↩
2. 实现推荐系统引擎(一)：评分预测 ↩