本文提供了一种算法：找一个点集中与给定点距离最近的点，时间复杂度O(n)无法接受，希望对你的工作有帮助。

Deep Multifaceted Transformers for Multi-objective Ranking in Large-Scale E-commerce Recommender Systems 京东DMT模型论文

系统功能模块划分和说明 一、用户登陆注册模块 二、音乐分类管理 三、音乐管理 四、音乐收藏管理 五、角色管理 六、系统管理 七、个人信息管理 八、推荐模块 协同过滤推荐算法 协同过滤常常被用于分辨某位特定顾客可能感兴趣的东西，这些结论来自于对其他相似顾客对哪些产品感兴趣的分析。协同过滤以其出色的速度和健壮性，在全球互联网领域炙手可热。 协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用 户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。 与传统文本过滤相比，协同过滤有下列优点: （1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐; （2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤; （3）推荐的新颖性。 正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。 缺点是: （1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）; （2）随着用户和商品的增多，系统的性能会越来越低; （3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。 因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。

基于近似奇异值分解（ApproSVD）的个性化推荐算法

基于Mahout实现协同过滤推荐算法的电影推荐系统

主要介绍了python实现协同过滤推荐算法完整代码示例，具有一定借鉴价值，需要的朋友可以参考下。

项目完整可用，配合压缩包内数据库可直接运行使用。 eclipse+mysql5.7+jdk1.8 功能：推荐引擎利用特殊的信息过滤（IF，Information Filtering）技术，将不同的内容（例如电影、音乐、书籍、新闻、图片、网页等）推荐给可能感兴趣的用户。通常情况下，推荐引擎的实现是通过将用户的个人喜好与特定的参考特征进行比较，并试图预测用户对一些未评分项目的喜好程度。参考特征的选取可能是从项目本身的信息中提取的，或是基于用户所在的社会或社团环境。 根据如何抽取参考特征，我们可以将推荐引擎分为以下四大类： • 基于内容的推荐引擎：它将计算得到并推荐给用户一些与该用户已选择过的项目相似的内容。例如，当你在网上购书时，你总是购买与历史相关的书籍，那么基于内容的推荐引擎就会给你推荐一些热门的历史方面的书籍。 • 基于协同过滤的推荐引擎：它将推荐给用户一些与该用户品味相似的其他用户喜欢的内容。例如，当你在网上买衣服时，基于协同过滤的推荐引擎会根据你的历史购买记录或是浏览记录，分析出你的穿衣品位，并找到与你品味相似的一些用户，将他们浏览和购买的衣服推荐给你。 • 基于关联规则的推荐引擎：它将推荐给用户一些采用关联规则发现算法计算出的内容。关联规则的发现算法有很多，如 Apriori、AprioriTid、DHP、FP-tree 等。 • 混合推荐引擎：结合以上各种，得到一个更加全面的推荐效果。

协同过滤推荐算法通过研究用户的喜好，实现从海量数据资源中为用户推荐其感兴趣的内容，在电子商务中得到了广泛的应用。然而，当此类算法应用到社交网络时，传统的评价指标与相似度计算的重点发生了变化，从而出现推荐算法效率偏低，推荐准确度下降问题，导致社交网络中用户交友推荐满意度偏低。针对这一问题，引入用户相似度概念，定义社交网络中属性相似度，相似度构成与计算方法，提出一种改进的协同过滤推荐算法，并给出推荐质量与用户满意度评价方法。实验结果表明：改进算法能有效改善社交网络中的推荐准确性并提高推荐效率，全面提高用户满意度。

基于用户的协同过滤推荐算法实现 movielens数据集 输出评分矩阵 相似度 最近邻 推荐电影 预测评分 mae等测评指标

推荐算法开源代码库，全部采用java写的，包含70多种推荐算法