用户协同推荐算法思想
如果你喜欢战狼、长津湖、阿甘正传等电影，另外有个人也喜欢这些电影，而且他还喜欢指环王，则很有可能你也喜欢指环王这个电影。
所以说，当一个用户 A 需要个性化推荐时，可以先找到和他兴趣相似的用户群体 G，然后把 G 喜欢的、并且 A 没有听说过的电影推荐给 A，这就是基于用户的系统过滤算法。
根据上述基本原理，我们可以将基于用户的协同过滤推荐算法拆分为两个步骤：
1. 找到与目标用户兴趣相似的用户集合
2. 找到这个集合中用户喜欢的、并且目标用户没有听说过的电影推荐给目标用户
1. 发现兴趣相似的用户
通常用 Jaccard 公式或者余弦相似度计算两个用户之间的相似度。设 N(u) 为用户 u 喜欢的电影集合，N(v) 为用户 v 喜欢的电影集合，那么 u 和 v 的相似度是多少呢：
Jaccard 公式：
余弦相似度：
假设目前共有4个用户： A、B、C、D；共有5个电影：a、b、c、d、e。用户与电影的关系（用户喜欢电影）如下图所示：
如何一下子计算所有用户之间的相似度呢？为计算方便，通常首先需要建立“电影—用户”的倒排表，如下图所示：
然后对于每个电影，喜欢他的用户，两两之间相同电影加1。例如喜欢电影a 的用户有 A 和 B，那么在矩阵中他们两两加1。如下图所示：
计算用户两两之间的相似度，上面的矩阵仅仅代表的是公式的分子部分。以余弦相似度为例，对上图进行进一步计算：
到此，计算用户相似度就大功告成，可以很直观的找到与目标用户兴趣较相似的用户。
2. 推荐电影
首先需要从矩阵中找出与目标用户 u 最相似的 K 个用户，用集合 S(u, K) 表示，将 S 中用户喜欢的电影全部提取出来，并去除 u 已经喜欢的物品。对于每个候选物品 i ，用户 u 对它感兴趣的程度用如下公式计算：
其中 rvi 表示用户 v 对 i 的喜欢程度，在本例中都是为 1，在一些需要用户给予评分的推荐系统中，则要代入用户评分。
举个例子，假设我们要给 A 推荐电影，选取 K = 3 个相似用户，相似用户则是：B、C、D，那么他们喜欢过并且 A 没有喜欢过的电影有：c、e，那么分别计算 p(A, c) 和 p(A, e)：
看样子用户 A 对 c 和 e 的喜欢程度可能是一样的，在真实的推荐系统中，只要按得分排序，取前几个电影就可以了
springboot+html电影购票选座版本源码
springboot+vue(elementui)电影购票选座版本源码
springboot+uniapp电影购票选座版本源码
springboot+安卓版本源码
springcloud和上面任意版本组合
