UserCF和ItemCF的综合比较（待续）

推荐系统联系用户和物品的几种途径：

一、基于用户推荐

PS:余弦相似度
由于两条数据可以看做向量,计算向量的差异可以看其cosθ,越接近1,说明越相近。

$$cos\theta = \frac{a \bullet b}{||a||||b||}$$
$$cos\theta = \frac{x_1x_2+y_1y_2}{\sqrt{x_1^2+y_1^2}*\sqrt{x_2^2+y_2^2}}$$
经过余弦相似度计算距离得出相似度矩阵：

用原来用户-物品矩阵乘以相似度矩阵得出推荐物品：

二、基于物品推荐

内容来自于项亮的《推荐系统实践》

图2-12是一个基于物品推荐的简单例子。该例子中，用户喜欢《 C++ Primer中文版》和《编
程之美》两本书。然后ItemCF会为这两本书分别找出和它们最相似的3本书，然后根据公式的定
义计算用户对每本书的感兴趣程度。比如， ItemCF给用户推荐《算法导论》，是因为这本书和《 C++
Primer中文版》相似，相似度为0.4，而且这本书也和《编程之美》相似，相似度是0.5。考虑到
用户对《 C++ Primer中文版》的兴趣度是1.3，对《编程之美》的兴趣度是0.9，那么用户对《算
法导论》的兴趣度就是1.3 × 0.4 + 0.9× 0.5 = 0.97。

三、基于用户和基于物品的区别

UserCF是推荐系统领域较为古老的算法， 1992年就已经在电子邮件的个性化推荐系统Tapestry中得到了应用， 1994年被GroupLens①用来实现新闻的个性化推荐，后来被著名的文章分享网站Digg用来给用户推荐个性化的网络文章。 ItemCF则是相对比较新的算法，在著名的电子商务网站亚马逊和DVD租赁网站Netflix中得到了广泛应用。
UserCF给用户推荐那些和他有共同兴趣爱好的用户喜欢的物品，而ItemCF给用户推荐那些和他之前喜欢的物品类似的物品。从这个算法的原理可以看到， UserCF的推荐结果着重于反映和用户兴趣相似的小群体的热点，而ItemCF的推荐结果着重于维系用户的历史兴趣。换句话说， UserCF的推荐更社会化，反映了用户所在的小型兴趣群体中物品的热门程度，而ItemCF的推荐更加个性化，反映了用户自己的兴趣传承。