从原理到实现，详解基于朴素ML思想的协同过滤推荐算法

编辑丨Zandy

来源 | 大数据与人工智能（ID: ai-big-data）

作者在《协同过滤推荐算法》、《矩阵分解推荐算法》这两篇文章中介绍了几种经典的协同过滤推荐算法。我们在本篇文章中会继续介绍三种思路非常简单朴素的协同过滤算法，这几个算法的原理简单，容易理解，也易于工程实现，非常适合我们快速搭建推荐算法原型，并快速上线到真实业务场景中，作为其他更复杂算法的baseline。

具体来说，我们在本篇文章中会介绍利用关联规则、朴素贝叶斯(naive bayes)、聚类三类机器学习算法来做推荐的方法。并且还会介绍3个基于这三类算法核心思想的工业级推荐系统，这3个推荐系统被YouTube和Google分别用于视频和新闻推荐中(其中会介绍Google News的两个推荐算法)，在YouTube和Google News早期产品中得到采用，并且在当时情况下效果是非常不错的，值得我们深入了解和学习。

一、基于关联规则的推荐算法

关联规则是数据挖掘领域非常经典的算法，该算法来源于一个真实的案例：“啤酒与尿布”的故事。该故事发生在20世纪90年代的美国沃尔玛超市中，沃尔玛的超市管理人员分析销售数据时发现了一个令人难以置信的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮(用户一次购物所买的所有商品形象地称为一个购物篮)中，这种独特的销售现象引起了管理人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上。

在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒，这样就会出现啤酒与尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。

沃尔玛发现了这一独特的现象，开始在卖场尝试将啤酒与尿布摆放在相同的区域，让年轻的父亲可以方便地同时找到这两件商品，并很快地完成购物；这样做沃尔玛超市就让这些客户一次购买了两件商品、而不是一件，从而获得了很好的商品销售收入，这就是“啤酒与尿布”故事的由来。