基于协同过滤的推荐算法，配上可解释机制，做出来的推荐系统确实更“聪明”了。用了用户行为打分，还结合了余弦相似度来计算物品之间的相似性，挺适合做个性化推荐那一套的。尤其在大规模数据时，MapReduce 的上场让性能也跟得上，响应也快，逻辑也不复杂。

评分机制这块儿，是通过用户行为信息构造来的，换句话说，不靠用户打分，照样能推荐出你喜欢的东西。评分结果跟用户-物品的多维矩阵结合，再走一波余弦相似度，就能算出哪个商品跟哪个商品“像”。用在电商平台上，推荐的东西会更准，也能解释为啥推荐这个。

指标方面也挺全，准确率、精确率、F1 值、RMSE这些通通能算，适合喜欢看数据的你。数据来源是阿里云天池 2017 年淘宝数据集，量够大，分布也真实，拿来测试推荐效果挺靠谱。

如果你对协同过滤算法有点兴趣，下面这些资源可以一起看，是搞过 Spark、Hadoop 的朋友，里面还有基于 Django 的项目哦：

如果你最近正想整一个个性化推荐系统，或者在优化已有的推荐算法，拿这个当参考还挺实用的。嗯，适合数据量大、用户活跃度高的场景。