协同过滤(Collaborative Filtering):A基于邻域的算法+B隐语义模型+C基于图的随机游走算法
一、基于用户的协同过滤算法（UserCF）：给用户推荐与其兴趣相似的其他用户喜欢的物品
1、首先找到与目标用户兴趣相似的其他用户集合：Jaccard相似度（两用户的交集/并集）+余弦相似度。
余弦相似度：
注：购买同样热门物品时不足以说明两个用户相似，所以需要降权，下式是在余弦相似度公式中的惩罚：
2、从集合中找到用户喜欢的同时目标用户那里没有的物品做推荐：有个算法计算用户u对物品i的兴趣程度
最后得到TopN个物品推荐给目标用户。
二、基于物品的协同过滤算法（ItemCF）
1、计算物品之间的相似度
此相似度不是利用物品本身信息计算，而是主要通过分析用户的行为记录来计算。
表示买了i的用户同时也买了j，如果两者的用户群重合比例越大，那么认为i和j就更相似。
同时又要惩罚热门物品，于是有：
但是对于热门用户，一个活跃用户可能会喜欢很多种类的物品，他对物品相似度的贡献应该小于不活跃的用户，因为不活跃的用户往往喜欢比较专一，在衡量物品相似度上更有价值，这叫IUF：
2、根据物品的相似度和用户的历史行为给用户生成推荐列表
计算用户u对物品i的兴趣：
三、UserCF和ItemCF比较
1、从推荐结果上来讲：
UserCF帮你找了一些用户来代表你，他们的兴趣是不可能统一的发生大幅改变的，所以你得到的推荐结果都是这一类的东西；而ItemCF，一旦你兴趣列表变了，那接着就认为你兴趣变了，喜欢你这个新兴趣的人喜欢的物品就会被推荐给你。
2、技术角度：
物品和用户表，哪个稳定就用哪个建模。物品迅速增加那就建立用户相似度表，用户迅速增加就建立物品相似度表。
