随着企业经营水平的提高，对应网站的访问量逐步增加，数据信息也随之大量增长，使得用户面对海量信息时无法快速找到想要的内容，降低了信息使用效率。这时，可以利用相关数据，研究用户兴趣偏好，分析用户的需求和行为，引导用户发现需求信息，将内容准确推荐给用户。
本例通过943名用户对1664部电影的评分数据，构建协同过滤模型，进而推荐电影供用户观看。通过本例，可以了解协同过滤算法在电子商务智能推荐领域的应用方法，帮助用户更加便捷的获取想要的信息，进而提升用户体验、促进推荐转化。
步骤
1、获取数据；
2、数据探索分析；
3、构建智能推荐模型；
4、评估推荐系统模型。
NO.1 获取数据
数据包含943名用户对1664部电影的打分，评分在1-5分之间，超出规定范围的算异常值。
NO.2 数据探索分析
导入的数据共有99416行，3列，第一列为用户id，第二列为电影名字，第三列为打分。
经过基本的数据验证，发现三列数据均存在缺失的情况（取值为空），且根据打分列，发现数据存在异常值（打分结果不在1-5范围内），因此将存在缺失值和异常值的行删除，删除后，数据剩下99392行。同时，为了进行每部电影的打分数据探索分析，将movie列中的电影名转换为列名，转换后，可观察每部电影的评分用户数及分数的基本分布。
NO.3 构建基于物品的协同过滤推荐模型
基于物品的协同过滤模型（ItemCF）通过分析群体用户的历史偏好，找到相似物品，然后根据个体用户的历史行为为其进行推荐，主要分为计算物品间相似度和生成推荐列表两个步骤。ItemCF可以离线计算，从而提高推荐效率，且利用历史行为进行推荐解释，结果更容易信服，但是推荐精度相对有限，且对于用户偏好的变化不敏感，实时推荐能力较弱。关于ItemCF的更多介绍可参考往期文章推荐算法概述。在实际应用时，用户的历史行为包含是否浏览网页、是否购买、是否评论、是否转发点赞等，本例中，仅涉及用户对电影的打分，因此不存在其他的行为。得到的电影相似度矩阵如下：
构建ItemCF模型后，得到用户1.0的推荐清单如下：
NO.4 评估推荐系统模型
模型结果评价主要有三种方式，分别为离线测试、用户调查和在线实验。
离线测试：通过从实际系统中提取数据，采用各种推荐算法并计算各算法的测评指标。该方法不需真实用户参与，但结果与实际结果会存在偏差。
用户调查：利用测试的推荐系统调查真实用户，观察他们的行为并回答相关问题，通过用户行为及反馈判断推荐系统好坏。
在线实验：将推荐系统投入实际应用，通过应用的转化指标评价推荐系统结果。
实现代码
点击原文（）后台回复“电影推荐”可得本例数据及代码。
参考内容：
1、《R语言商务数据分析实战》
