如何理解協(xié)同過濾？基于用戶的協(xié)同過濾主要基于用戶之間的相似性（取決于用戶的歷史偏好數(shù)據(jù)）。首先計(jì)算用戶之間的相似度，然后將用戶喜歡的項(xiàng)目推薦給相似的用戶。也就是說，當(dāng)用戶需要個(gè)性化推薦時(shí)，可以先通過興

如何理解協(xié)同過濾？

基于用戶的協(xié)同過濾主要基于用戶之間的相似性（取決于用戶的歷史偏好數(shù)據(jù)）。首先計(jì)算用戶之間的相似度，然后將用戶喜歡的項(xiàng)目推薦給相似的用戶。也就是說，當(dāng)用戶需要個(gè)性化推薦時(shí)，可以先通過興趣愛好或行為習(xí)慣等找到與自己相似的其他用戶，然后推薦那些喜歡和不知道的相似用戶。

基于項(xiàng)目之間的相似度，基于項(xiàng)目的協(xié)同過濾首先計(jì)算項(xiàng)目之間的相似度，然后根據(jù)用戶的評(píng)分將用戶喜歡的相似項(xiàng)目推薦給用戶。也就是說，當(dāng)一個(gè)用戶需要個(gè)性化推薦時(shí)，比如說，因?yàn)樗百?gòu)買過《集體智能編程》一書，他會(huì)推薦《機(jī)器學(xué)習(xí)實(shí)踐》一書，因?yàn)槠渌芏嘤脩敉瑫r(shí)購(gòu)買了這兩本書。

基于用戶的協(xié)同過濾需要在線（系統(tǒng)上線后）找到用戶之間的相似關(guān)系，計(jì)算復(fù)雜度肯定會(huì)高于基于文章的協(xié)同過濾。同時(shí)，我們還需要考慮推薦算法的冷啟動(dòng)問題（如何在沒有大量用戶數(shù)據(jù)的情況下讓用戶滿意推薦結(jié)果）。例如，我們可以讓用戶在注冊(cè)時(shí)選擇自己感興趣的領(lǐng)域來生成粗粒度的推薦。

基于用戶的協(xié)同過濾是推薦用戶喜歡的、與他們有共同興趣的項(xiàng)目。因此，基于用戶的協(xié)同過濾推薦更具社會(huì)性，即推薦的項(xiàng)目是群組中符合用戶興趣的熱點(diǎn)項(xiàng)目，并且可以向用戶推薦新類別的項(xiàng)目。

基于項(xiàng)目的協(xié)作過濾是推薦與用戶以前喜歡的項(xiàng)目相似的項(xiàng)目?；陧?xiàng)目的協(xié)同過濾更具個(gè)性化，因?yàn)橥扑]的項(xiàng)目一般都滿足自己的獨(dú)特興趣，所以更適合用戶個(gè)性化需求強(qiáng)烈的領(lǐng)域。然而，由于商品的相似性相對(duì)穩(wěn)定，很難向用戶推薦新的商品類別。