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,但线上环境要求必须在极短的时间内返回结果时,实时计算预测值仍然不可行。为了在不牺牲推荐精准度的情况下在大规模电商网站应用协同过滤推荐算法,人们想到了基于物品的协同过滤推荐,其思想与基于用户协同过滤推荐算法类似,只不过这里使用的是物品间相似度。而这个可以通过离线预计算构建出一个描述所有物品两两间的相似度的物品相似度矩阵。在运行时,如果向用户