我不是专业做数据挖掘的，Web开发工程师是我的职业，所以我的见解可能有误。

rb = (n * (ra – R(A->B)) + m * (rc – R(C->B)))/(m+n)

slope one分析的对象是两个事物（比如两首歌），比如你喜欢戏剧，如果80％喜欢戏剧的人都喜欢“千里之外”，那么slope one可能会帮你推荐出来，但‘全国80%的人都喜欢“千里之外”，那我喜欢的概率是多少呢？‘这个不行，你的兴趣爱好和全国80%喜欢千里之外没关系。

slope one和关联规则都比较关注两个事物同时出现的次数，我以此相比较它们。

比如说全国80%的人都喜欢“千里之外”，那我喜欢的概率是多少呢？
用slope one得出的结论肯定是我也很喜欢“千里之外”。
但关联规则就不一定，它会分析我的历史下载记录，找到我可能喜欢的歌曲。假设我就是个喜欢独立歌曲（或者戏剧）的人，也能找到相应的喜欢的歌。
原因就是因为关联规则关注的是条件概率，而slope one 好像是只统计全局的量，掩盖了个性。

下面的文字仅是我个人看法，没有怎么研究数学，所以可能有谬。

我们从加权公式看起：rb = (n * (ra – R(A->B)) + m * (rc – R(C->B)))/(m+n)，如果同时给A、B打过分的用户远远大于给C、B打过分的用户，那么A、B的权重n就非常的大，rb ≈ ra – R(A->B)/n，用户对B打分的值主要由同时对A、B打分过的用户决定。这就有点类似关联规则了，A、B频繁出现在一起，那么它们的关联性可能就高一些。

slope one引入了加权平均，所以它的结果可能要比简单的关联规则要好一些。

2007年在看一些股票技术方面的书，感觉核心就是平均值可以掩盖一切波动，这可能也是slope one算法的核心吧。

另外从一些测试的结果看，slope one算法可能是“性价比”最高的一种算法，运算简单，效果还很不错。

现在，推荐系统算法都盯着”SVD”，但已经变的一塌糊涂了，比如类RSVD，也许有效，但很“丑陋”。

至于“兴趣元素”，可能要和具体业务联系，比如音乐，我们分析听歌的次数、收藏的歌曲、评论的歌曲等等，这个是业务的范畴。

感谢你的留言，淘宝的推荐做的不错，我们的推荐系统近期可能也要上线了。

首先找出共同的兴趣包括哪些元素，并把AB、BC这种共同兴趣匹配度纳入到推荐系统:
用户1对A和B同时打分，无论分值多少，可以作为A和B之间共同的兴趣传递的一种结果，不是唯一的哦，按照Dont let me think，我觉得可以在浏览行为、订单、评论、收藏夹等等方面都纳入到共同的兴趣这个元素中。

其次，在共同的兴趣匹配度下，按评分平均差排序。