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)）。首先計算用戶之間的相似度，然后將用戶喜歡的項目推薦給相似的用戶。也就是說，當用戶需要個性化推薦時，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)）。首先計算用戶之間的相似度，然后將用戶喜歡的項目推薦給相似的用戶。也就是說，當用戶需要個性化推薦時，可以先通過興趣愛好或行為習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。

基于項目之間的相似度，基于項目的協(xié)同過濾首先計算項目之間的相似度，然后根據(jù)用戶的評分將用戶喜歡的相似項目推薦給用戶。也就是說，當一個用戶需要個性化推薦時，比如說，因為他之前購買過《集體智能編程》一書，他會推薦《機器學習實踐》一書，因為其他很多用戶同時購買了這兩本書。

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系，計算復雜度肯定會高于基于文章的協(xié)同過濾。同時，我們還需要考慮推薦算法的冷啟動問題（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果）。例如，我們可以讓用戶在注冊時選擇自己感興趣的領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目。因此，基于用戶的協(xié)同過濾推薦更具社會性，即推薦的項目是群組中符合用戶興趣的熱點項目，并且可以向用戶推薦新類別的項目。

基于項目的協(xié)作過濾是推薦與用戶以前喜歡的項目相似的項目?；陧椖康膮f(xié)同過濾更具個性化，因為推薦的項目一般都滿足自己的獨特興趣，所以更適合用戶個性化需求強烈的領域。然而，由于商品的相似性相對穩(wěn)定，很難向用戶推薦新的商品類別。