基于Item的时序协同过滤算法技术方案包括两个步骤：
（1）提取用户商品点击日志、搜索点击日志和商品基本信息等基本数据。然后，去除噪音数据（譬如每天点击商品数达到数以万计的用户）和缺失值数据，构建时序点击流数据，即记录用户每天按照点击时间先后顺序排序的商品行为数据。从而得到如下数据结构：<用户id，商品id，点击时间，点击日期>；
（2）时序协同过滤算法构建模块，根据数据预处理阶段的得到的商品点击时序数据集，在ODPS平台上实现该算法算法，计算商品之间的相关性。
时序协同过滤算法
步骤1：计算商品之间相关性
Map阶段
输入：key（行记录标识）， value（用户id，商品id，点击时间，点击日期）
输出：key（用户id，点击日期，点击时间）， value（商品id，点击时间）
Reduce阶段：
输入：key（用户id，点击日期，点击时间）， value（商品id，点击时间）
输出：ODPS Record(点击日期，商品1， 商品2， 相关性分数)
计算相关性分数算法：
- 计算每个用户每天的点击时间序列对，按照升序排列，即<商品1，点击时间1>,<商品2，点击时间2>,…,<商品n，点击时间n>；
- 在每个用户的商品点击序列中，如果两两商品时间序列对的点击时间差小于等于两个小时，则表示这两个商品具备相关性；计算出有效时序商品序列<商品1，商品2，商品3，…，商品n>；
-
计算商品之间的相关性,公式如下:
，其中score表示相关性分值，delta表示任意两个商品之间的时间排序位置之差
步骤2：计算每天商品之间相关性均值，减少噪声数据，譬如用户无意图的商品点击序列
Map阶段
输入：key（行记录标识）， value（点击日期，商品1， 商品2， 相关性分数）
输出：key（点击日期，商品1， 商品2）， value（相关性分数）
Reduce阶段
输入：key（点击日期，商品1， 商品2）， value（相关性分数）
输出：ODPS Record(商品1， 商品2， 相关性分数均值)
步骤3：计算每月商品之间的相关性，减少噪声数据，去除异常的相关性数据
Map阶段
输入：key（行记录标识）， value（商品1， 商品2， 相关性分数）
输出：key（商品1， 商品2）， value（相关性分数）
Reduce阶段
输入：key（商品1， 商品2）， value（相关性分数）
输出：ODPS Record(商品1， 商品2， 相关性分数均值)
参考：
http://blog.sina.com.cn/s/blog_61c463090102uwqu.html
http://www.aliyun.com/ odps
青春就应该这样绽放 游戏测试：三国时期谁是你最好的兄弟！！ 你不得不信的星座秘密
