社会经济水平的发展带动了网络技术的发展，网上的信息越来越多，在如今人们基本离不开互联网，人们在网上浏览各种信息，眼花缭乱，很难从这种背景下找到自己感兴趣的信息，既浪费人们的大量时间，也没有任何体验感，信息也越来越难展示给那些想要看这类信息的大众，而对于一些用户想要把自己的信息利用起来在大众的面前展示出来并且得到大众的喜爱从中获得一定的利润，也是一件很困难的事情[1]，为了解决这种困难，推荐系统横空出世，解决了这些难题。推荐系统顾名思义就是面对海量的数据进行有效的推荐，解决用户的面临的各种难题。
目前推荐系统已经应用于社会中的诸多领域如电商、新闻、音乐短视频等等。短视频是大多数人娱乐生活中不可缺少的一部分，有了短视频需求，短视频推荐系统也是越做越好，越能满足用户的各种需求，受到广大用户的喜爱。短视频推荐系统为用户提供全方面的推荐，给大众的娱乐生活带来了非常便利的操作，节省了用户的时间以及提高了用户的体验感，给用户带来全身定制打造服务。
随着推荐系统越来越成熟，推荐算法越来越精确，推荐系统在各个领域都得到了很好的应用，在RecSys会议上谈到推荐系统应用的各个场景有很多，如视频网站、新闻广告、电子商务、音乐网站、社交网站等等，推荐系统在这些场景中都做得非常的出色，已经离不开推荐系统，推荐只会越来越完善。互联网大数据的崛起，为推荐系统提供了更多的数据，如移动电商数据、移动社交数据、地理数据等，变成了当今在社交推荐这块一个新的起点。随着推荐系统在各个领域内的成功应用，越来越多的人们把焦点聚集在推荐系统的推荐结果精准度和推荐算法的安全性、健壮性等问题。2015年，Alan Said等人在RecSys会议上发表论[2]，阐述了一种清晰明了的推荐结果评价方式，同年，FrankHopfgartner 等人发表论文[3]，讨论了基于流式数据的离线评价方式和对照试验，掀起了推荐算法评估的研究热潮。推荐系统首先在国外兴起，国内发现后，也进入大量的研究，起步相对于国外晚一些。2006年，当当网首当其冲先在推荐这方面做起了大量的研究，将各种东西推荐给大众，这个推荐方式一出来，立马受到大量用户的关注，因为这个服务首次出现，用户感到有一种新鲜感；2008年9月，淘宝网推出了自己的个性化推荐系统产品淘宝，该产品一上线就得到大众的喜欢，用户数量不断增加，它为用户推荐感兴趣的东西，精准度高，节省用户时间；2011年，百度强力推出个性化首页“一人一世界”[4]，此版百度首页将基于大数据和机器学习积累的个性化数据，该产品根据每个用户的记录和信息推荐出符合自身的东西，非常有趣受用户喜爱；2014年阿里巴巴举办“天池”个性化推荐大赛，随着比赛的进行，算法也得到了很大的发展。
协同过滤推荐技术是目前应用范围最广的个性化推荐技术，其基本的思想是：收集用户的基本信息来挖掘用户与物品间潜在的关联关系，然后基于关联关系进行推荐。此算法的推荐模型相对比较简单，收集数据方面也非常方便，因此在应用方面也比较广泛。协同过滤在当今的互联网信息服务中有着十分广泛的应用，协同过滤算法主要可以分为三种。基于物品的协同过滤算法，基于用户的协同过滤算法和基于模型的协同过滤算法[5]。
基于用户的协同过滤算法以用户历史行为数据为基础，例如看影片列表，点击新闻列表和购买物品记录等都可视为用户感兴趣。基于所述行为指示所述用户对于所述特定商品的偏好，获取所述用户商品的评分矩阵。利用这些不同的用户对同一件商品的打分大小以此来计算出用户间的相似程度，并最终由相似用户行为列表推荐给用户。
如下图1.1所示，用户A、B、C和商品1、商品2、商品3、商品4。用户A喜欢商品1、商品2、商品3；用户B喜欢商品4；用户C喜欢商品2、商品3。现在需要给用户C推荐新闻：1)计算不同用户之间的相似度；2)找到相似用户喜欢但当前用户未点击的新闻。
图1.1 用户浏览图
根据上面的步骤计算用户之间的相似度，可以选用余弦相似度，如下公式（1- 1）所示，
（1-1）
上述式子中的参数为，���(���):用户���的历史浏览商品；���(���):用户���的历史浏览商品； ���(������):用户���和���的余弦相似度。使用这个公式从而得到和用户C最为相似的历史浏览商品记录是用户A，由于用户C中没有商品1的浏览记录，所以可以把商品1向用户C推荐。基于用户的协同过滤算法是一个基础的推荐算法，它的算法优势思路简单，运算速度比较快，可以实现较为准确的快速推荐功能。
【S2023047基于python+Django协同过滤的短视频推荐系统】 https://www.bilibili.com/video/BV1gP411M7Rr/?share_source=copy_web&vd_source=3d18b0a7b9486f50fe7f4dea4c24e2a4
