书接上文 

显式数据： 用户的评分，like or unlike等

隐式数据： 用户点击，购买记录，在某个页面停留时间，播放次数等

调整的余弦相似度：

， 对于用户每个评分都要减去该用户平均评分作为他的最终评分，然后计算相似度

:

解释是一个物品别人的评分比另一个物品高，那给你的预测也是如此。

分两步：第一步，算出所有物品两两之间的偏差(deviation)。 第二步，做出预测，比如你评分A为3分，而B物品评分比A高一分，所以预测你对B物品的评分是4分。

第一步计算的公式是

用户对j物品的评分减去i物品的评分之和 除以对这两物品评分的用户总数。

card(S_j,i(X)) 是同时给物品j, i评分的人数

第二步预测公式，加权Slope one:

u_i 是用户u对i物品的评分

dev_j,i 是物品j与物品i之间的偏差（这在第一步算过）

c_j,i 是计算物品i, j偏差时，参与的人数 即第一步的card(S_j,i(X))