1. 易于实现和维护：普通工程师可以轻松解释所有的聚合数据，并且算法易于实现和测试。
2. 运行时可更新的：新增一个评分项，应该对预测结果即时产生影响。
3. 高效率的查询响应：快速的执行查询，可能需要付出更多的空间占用作为代价。
4. 对初次访问者要求少：对于一个评分项目很少的用户，也应该可以获得有效的推荐。
5. 合理的准确性：与最准确的方法相比，此方法应该是有竞争力的，准确性方面的微小增长不能以简单性和扩展性的大量牺牲为代价。

使用这个图可以简明扼要的说明一下 Slope One 算法。

1. User A 给 Item I 打分为 1；给 Item J 打分为 1.5。
2. Uesr B 给 Item I 打分为 2。
3. 问题是：User B 给 Item J 打分为多少？
4. 使用 Slope One 算法，答案是：2.5，2+(1.5-1)=2.5。

是不是非常简单？！Slope One 算法就是这么简单，而且它居然还相当有效！详细的试验分析可以看这里“Slope One Predictors for Online Rating-Based Collaborative Filtering”。

喜欢 Python 的朋友可以看这篇 Blog，“tutorial about how to implement Slope One in Python”，非常详细的介绍了 Slope One 算法在 Python 下的实现步骤。当然了，这只是一个非常简单的实现，你可以使用 MovieLens 或者 EachMovie 的数据集进行一些简单地试验。但如果真正要把它投入到商业环境，还有许多其他的工作必须做好。

我正在使用 Python 实现一个推荐算法模块集，其中也实现了 Slope One 算法，但现在还比较简陋，不太适合开源，等完善一些之后，我会把它开源出来，和大家共享。

您可能也喜欢：
社会化推荐应用还需更有个性 (@tech2ipo)	物理学背景的推荐算法与协同过滤 (@wentrue)	推荐系统：主要推荐方法	2011推荐系统论坛	推荐系统：关联规则(1)
无觅