请先阅读leboop发布的博文《Apache Mahout之协同过滤原理与实践 》。
基于用户和物品的协同过滤推荐都是建立在一个用户-物品评分矩阵(user-item-score)展开的,其本质是利用现有数据填充矩阵的缺失项(missing entries),也就是预测评分。基于用户的协同过滤通过该评分矩阵来度量用户间的相似度(余弦相似度,距离相似度,皮尔森相似度,皮尔斯曼相似度等等);然后,通过用户间的相似度来寻找被推荐用户u的k-最近邻用户{u1,u2,...,uk};最后,加权{u1,u2,...,uk}给所有物品的评分来预测u尚未评分的每个物品的评分,按预测评分从高到低得到用户u的物品推荐列表{p1,p2,...,ph};现在如果向用户u推荐一个物品,应当推荐p1,如果推荐两个物品,应当推荐p1和p2,以此类推。然而,这个算法并不能很好地适应大规模用户和物品数据,比如亚马逊Amazon数千万用户和数百万物品的在线商城,尽管大多数用户只评分或交易了非常少量的物品,复杂度非常低,但线上环境