如代码所示，代码文件为run.py和distance.py
可以使用逻辑回归模型，预测每一个买家购买相应商家商品的概率，将购买概率高但尚没有买的买家推荐给商家。 具体方法：
- 将每一次购买发生前的每一件商品浏览收藏推荐的值作为训练和预测的指标，购买的概率作为预测的指标。
- 根据行为时间间隔距离，使用K近邻将商品分为不同的类别。
- 对同一类商品内，做浏览、收藏、推荐行为和购买行为的逻辑回归，预测购买的概率。
- 对不同类别的商品的购买概率做线性回归分析，预测购买每一类商品的概率与购买其他类别商品概率的关系。
- 对每个人购买头部的商家商品的概率做预测，有此类商品浏览记录的，根据此类商品内的线性回归模型预测其购买此类商品的概率，没有此类商品浏览记录的用户，根据其在其他类的购买概率预测其购买此类商品的概率。
- 将用户按照购买概率做排名，推荐排名头部的用户。
- 平时关于技术的信息多从网上的博客得来，以书的形式看的不多，有《代码整洁之道》《Introduction to High Performance Computing for Scientists and Engineers》，最近在看《数据科学实战》，还有一些数学类的工具书。
- 大方向的问题会去搜索CSDN的博客、知乎的专栏，具体到代码细节的技术问题会去看官方文档和stackoverflow上有没有解决的方法。