前文介绍了协同过滤算法和基于内容的推荐算法
协同过滤算法要求要有很多用户，用户有很多操作
基于内容的推荐算法用户可以不用很多，但是用户的操作也要有很多
但是，如果要推荐给新用户（用户的操作不多），应该要怎样推荐呢？这里就要用到相似性推荐了
相似性推荐定义：对于新用户A，没有ta的历史行为数据，在ta点击了item-X的场景下，可以将与item-X最相似的item集合推荐给新用户A。
问题转化为，如何用一种通用的方法，表达item之间的相似性。
仍然以电影推荐为例子，相似性推荐算法执行步骤：
1.找到用户浏览过的某电影
2.定义这些电影的具体内容，假设我们以{导演，类型，男主，女主，男配，女配，地区，语言，时长}为维度来定义（这点跟基于内容的推荐算法一样）
3.对每个维度设立权值，并且对于同个key不同的value直接设置不同的分数（且称为相似度评分吧），例如：
我们认为，权值分配是{导演1，类型2，男主3，女主4，男配5，女配6，地区7，语言8，时长9}（维度后面跟的是权值）
假设用户浏览过的电影男主为男主1，而另一部电影，假设男主也是男主1，则男主项得10*3分；假设是男主2，则得8*3分；是男主3，则得5*3分，以此类推
具体的权值和值与值之间的分数可以自己定
4.基于步骤3，拿到分数最高的电影，即为要推荐的电影
具体再看一下
（1）找用户浏览过的电影，假设为电影A
（2）定义这些电影的具体内容，假设定为
{导演1，类型1，男主1，女主1，男配1，女配1，地区1，语言1，时长1}
（3）对每个维度设立权值，并且对于同个key不同的value直接设置不同的分数
为简单起见，假设我们所取的维度+权值为{导演1，类型2，男主3，女主4，男配5，女配6，地区7，语言8，时长9}，
假设所有的维度里，满分都为10（即值相同记为10分）
类型1和类型2相似度评分为8分
类型1和类型3的相似度评分为2分
男主1和男主2的相似度评分为9分
男主1和男主3的相似度评分为8分
（4）拿到分数最高的电影假设我们待推荐的电影只有2部（实际当然不可能），
电影B：{导演1，类型2，男主3，女主1，男配1，女配1，地区1，语言1，时长1}
电影C：{导演1，类型3，男主2，女主1，男配1，女配1，地区1，语言1，时长1}
电影B的推荐评分：1*10+2*8+3*8+4*10+5*10+6*10+7*10+8*10+9*10=440
电影C的推荐评分：1*10+2*2+3*9+4*10+5*10+6*10+7*10+8*10+9*10=431
电影B的推荐评分大于电影C的推荐评分，所以给用户推荐电影B
相似性推荐，原理大致如上，要说明的是：
（1）由于没有用户历史行为积累，不是个性化推荐，所以所有用户的推荐结果都是相同的
（2）一般来说，距离公式确实是线性的
（3）一般来说，每个维度的权重不一样
（4）这个线性公式，以及维度的权重，都可以通过机器学习训练出来
参考文章：http://mp.weixin.qq.com/s/KROc9G_kAs8_vquKQKJIFw