三、结果分析
通过基于项目的协同过滤算法，针对每个用户进行推荐，推荐相似度排名前 5 的项目,其婚姻知识类推荐结果见表 4-2-24，其咨询类的推荐结果见表 4-2-25。
表 4-2-24 知识类推荐结果
表 4-2-25 咨询类推荐结果
表 4-2-25 咨询类推荐结果
从上述推荐结果表格可知，根据用户访问的相关网址，对用户进行推荐。但是其推荐结果存在 null 的情况，产生这种情况是由于在目前的数据集中，出现访问此网址的只有单独一个用户，因此在协同过滤算法中计算它与其他物品的相似度为 0，所以出现无法推荐的情况。一般出现这种情况，在实际中可以考虑其他的非个性化的推荐方法进行推荐，例如基于关键字、基于相似行为的用户等。
由于本例采用的是最基本的协同过滤算法进行建模，因此得出的模型结果也是一个初步的效果，实际应用过程中要结合业务进行分析，对模型进一步改造。一般情况下，最热门物品往往具有较高的“相似性”。例如，热门的网址，访问各类网页的大部分人都会进行访问，在计算物品相似度的过程中，就可以知道各类网页都和某些热门的网址有关。因此，处理热门网址的方法有：① 在计算相似度的过程中，可以加强对热门网址的惩罚，降低其权重，比如对相似度平均化或者对数化等方法。② 将推荐结果中的热门网址过滤掉，推荐其他的网址，将热门网址以热门排行榜的形式进行推荐。
在协同过滤推荐过程中，两个物品相似是因为它们共同出现在很多用户的兴趣列表中，也可以说是每个用户的兴趣列表都对物品的相似度产生贡献。但是，并不是每个用户的贡献度都相同。通常不活跃的用户要么是新用户，要么是只来过网站一两次的老用户。在实际分析中，一般认为新用户倾向于浏览热门物品，首先他们对网站还不熟悉，只能点击首页的热门物品，而老用户会逐渐开始浏览冷门的物品。因此可以说，活跃用户对物品相似度的贡献应该小于不活跃的用户。所以，在改进相似度的过程中，取用户活跃度对数的倒数作为分析目标。
然而，在实际应用中，为了尽量提高推荐的准确率，还会将基于物品的相似度矩阵按最大值归一化，其好处不仅仅在于增加推荐的准确度，还可以提高推荐的覆盖率和多样性。由于本例的推荐是针对某一类数据进行，因此不存在类间的多样性，所以本任务不进行讨论。
当然，除了个性化推荐列表，还有另一个重要的推荐应用就是相关推荐列表。有过网购经历的用户都知道，当你在电子商务平台上购买一个商品时，它会在商品信息下面展示相关的商品。一种是包含购买了这个商品的用户也经常购买的其他商品，另一种是包含浏览过这个商品的用户经常购买的其他商品。这两种相关推荐列表的区别为：使用了不同用户行为计算物品的相似性。