一、協同過濾：找到與某使用者有相同偏好的其它使用者，具體步驟：

1 收集使用者偏好（比如電影推薦時，某使用者對某電影的的打分，評論、轉發等）

2 找到相似的使用者或者物品

3 計算推薦

基於使用者的協同過濾：計算使用者之間的相似度

使用者A與使用者C很相似，但是A沒有買物品D，所以給A推薦物品D

存在問題：

1 對於一個新使用者，很難找到與他相近的使用者

2 對於一個物品（本來想推薦給A的），所有最近的鄰居很少在上打分，導致物品A不會推薦給A

3 稀疏問題，維護的表（行為使用者，列是所有物品），那這個表非常稀疏，因為可能有100W個物品，使用者只買其中幾個，所以維護這個表不方便

4 當用戶數量非常大時，比較使用者的計算量也特別大，因為每2個使用者都要算相似度

5 使用者的喜好容易改變

基於物品的協同過濾（更常用）：計算物品之間的相似度

物品A與C更相似，使用者C買了A，故把物品C推薦給使用者C

注意：這裡的物體之間的相似度不是看物體本身的相似度，是看物體與使用者聯絡的相似度

相比基於使用者的協同過濾，優勢：

1 計算效能高，通常使用者數量遠大於物品數量

2 可預先計算保留，物品不善變

例項：

目標：求出第5個使用者對電影1的評分，根據某一閾值，得出要不要給5使用者推薦電影1，具體方法如下：

第一步：想要預測某一使用者對某一電影的評分，首先要找到與這一電影相似的電影，根據如下的相似度計算得出，結果是上圖右邊綠色字型，這裡用的是皮爾遜相關係數。

如何找相似的使用者呢？通過相似度計算：

在推薦系統中常用的是第二種：

第二步：根據皮爾遜相關係數的某一閾值，這裡假設是0.4，篩選出與電影1最相近的2個電影，這裡是電影3和6,根據此使用者對3、6電影的評分，算出得分值，這裡是r_51=2.6,最後根據某一閾值，比如是4，若超出閾值則給此使用者推薦，明顯這個例子並沒有超出閾值，所以不推薦

協同過濾總結：