音乐推荐算法：
核心点
1、找到口味相似的用户，把他们爱听的歌曲推荐给你；
2、找到你喜欢的歌曲类似的歌曲，把这个歌曲推荐给你。
1、第一个问题：
如何找到口味相似的用户？
通过大量的用户数据，对用户爱听的歌曲设置不同的权重，
| 单曲循环 | 分享 | 收藏 | 搜索 | 听完 | 没听过 | 跳过 |
|---|---|---|---|---|---|---|
| 5分 | 4分 | 3分 | 2分 | 1分 | 0分 | -1分 |
以每个用户对所有歌曲作行为记录并打分，这个时候就存在一个问题，改用什么样的算法找出2个用户的口味近似呢？欧几里得距离（Euclidean distance）。欧几里得距离是用来计算2个向量之间的距离的。这里面有两个关键词，向量和距离。
| 阴天 | 十年 | 完 | 后来 | 平凡之路 | 夜空中的星 | 我们 | |
|---|---|---|---|---|---|---|---|
| 小明 | 4 | 0 | -1 | 1 | 0 | 3 | 5 |
| 小李 | 5 | 3 | 2 | 0 | 4 | -1 | 0 |
| 小红 | 4 | 3 | 0 | 1 | 5 | 1 | 0 |
| 小海 | 2 | 3 | 1 | 5 | 5 | -1 | 0 |
一维空间是一条线，我们用 1，2，3……这样单个的数，来表示一维空间中的某个位置；二维空间是一个面，我们用（1，3）（4，2）（2，2）……这样的两个数，来表示二维空间中的某个位置；三维空间是一个立体空间，我们用（1，3，5）（3，1，7）（2，4，3）……这样的三个数，来表示三维空间中的某个位置。一维、二维、三维应该都不难理解，那更高维中的某个位置该如何表示呢？
类比一维、二维、三维的表示方法，K 维空间中的某个位置，我们可以写作（X1, X2， X3,... XK)。）。这种表示方法就是向量（vector）。我们知道，二维、三维空间中，两个位置之间有距离的概念，类比到高纬空间，同样也有距离的概念，这就是我们说的两个向量之间的距离。
我们把每个用户对所有歌曲的喜爱程度，都用一个向量表示。我们计算出两个向量之间的欧几里得距离，作为两个用户的口味相似程度的度量。
2 、两外一个考量标准是基于相似歌曲的推荐
上面是相似用户的歌曲推荐，但是如果是一个新用户，我们还没有足够多的用户行为数据，这个时候该如何推荐呢？这个时候就可以根据相似歌曲作推荐，如果某首歌曲跟你喜爱的歌曲类似，我们就把它推荐给你。
那么问题来了，如何定义2首歌是类似的？
第一种思考，我们从歌曲的类型，伤感的、欢快的、摇滚的、乡村的、爱情的来分别打分，以这种方式来计算每首歌的欧几里得距离，这样可以判断出那些歌曲比较类似。
这种方式 对于有海量曲库的平台来说，计算量会非常大，而且人工分类的方式，有很多主观性在里面，会影响到推荐的准确性。
第二种，换一种思考模式，就是以用户对歌曲的评价来判定2首歌是否类似，对于2首歌，假如喜欢的用户都差不多，可以说明这2首歌比较类似。
| 小明 | 小李 | 晓红 | 小C | KK | 小王 | 阿哲 | |
|---|---|---|---|---|---|---|---|
| 十年 | 4 | 0 | -1 | 1 | 0 | 3 | 5 |
| 喜欢你 | 5 | 3 | 2 | 0 | 4 | -1 | 0 |
| 平凡之路 | 4 | 3 | 0 | 1 | 5 | 1 | 0 |
| 国王与乞丐 | 2 | 3 | 1 | 5 | 5 | -1 | 0 |
这个其实就是上面打分的倒置，只是从歌曲出发，以用户的评分为向量，通过向量来计算2首歌的欧几里距离，距离越小，说明这2首歌越类似。然后在用户喜欢的歌曲中，找出离这些歌欧几里得距离最小的歌曲（最类似）推荐给他。
