基于物品的協(xié)同過濾算法（ItemCF）是業(yè)界應(yīng)用最多的算法，主要思想是利用用戶之前有過的行為，給用戶推薦和之前物品類似的物品。

基于物品的協(xié)同過濾算法主要分為兩步：

1）計(jì)算物品之間的相似度。

2）根據(jù)物品的相似度和用戶的歷史行為給用戶生成推薦列表。

第一步的關(guān)鍵點(diǎn)在于計(jì)算物品之間的相似度，這里并不采用基于內(nèi)容的相似性，而是去計(jì)算在喜歡物品i的用戶中有多少是喜歡物品j的，這樣計(jì)算的前提是用戶的興趣愛好一般是比較確定的，不容易變，那么當(dāng)一個(gè)用戶對兩個(gè)物品都喜歡的時(shí)候，我們往往可以認(rèn)為這兩個(gè)物品可能屬于同一分類。令N(i)表示購買物品i的用戶數(shù)，則物品i和物品j的相似度可以用wij = |N(i)&N(j)|/N(i)來計(jì)算。

第一步時(shí)間復(fù)雜度的改進(jìn)方法：和UserCF類似，我們可以建立一張用戶-物品的倒查表，這樣每次去計(jì)算一個(gè)用戶有過行為的那些物品間的相似度，能夠保證計(jì)算的相似度都是有用的，而不用花大的計(jì)算量在那些0上面（肯定是個(gè)稀疏矩陣）

第一步相似度的改進(jìn)方法1：若根據(jù)上面的公式來計(jì)算相似度，你會發(fā)現(xiàn)，物品i跟流行物品j的相似度很高，因?yàn)榱餍凶x高，所以基本人人都會買，這樣的話流行度高的物品就比較沒有區(qū)分度，所以我們需要懲罰流行物品j的權(quán)重wij = |N(i)&N(j)|/sqrt(N(i)*N(j))

第一步相似度的改進(jìn)方法2：需要懲罰用戶的活躍度。若用戶活躍度比較低，只買了有限的幾本書，那么這幾本書很有可能在一個(gè)或者兩個(gè)興趣范圍內(nèi)，對計(jì)算物品相似度比較有用，但是如果說一書店賣家趁著打折把亞馬遜90%的書都買了然后賺差價(jià)，那么該用戶的行為對計(jì)算物品相似度就沒什么作用，因?yàn)?0%的書肯定會覆蓋很多范圍，故應(yīng)該像改進(jìn)方法一中懲罰用戶的活躍度。

第一步相似度的改進(jìn)方法3：物品相似度的歸一話。歸一化不僅僅能提高推薦的準(zhǔn)確度，還可以提高推薦的覆蓋率和多樣性。比如亞馬遜上，用戶的興趣愛好肯定是分成幾類的，很少說愛好集中在一類。假設(shè)有兩類A和B，A類之間的相似度為0.5, B類之間的相似度為0.8，A和B之間的相似度為0.2, 當(dāng)用戶買了5本A類的書和5本B類的書后，我們要給用戶來推薦書，如果按照之前的方法，最后按照相似度排序，那么推薦的應(yīng)該都會是B類物品，就算B類中排名比較低，但照樣比A類要高阿，所以應(yīng)該根據(jù)類別進(jìn)行相似度的歸一話，這樣一來A的相似度為1，B的相似度也為1，這樣的話排序后的推薦A，B類商品都有，就大大提高了準(zhǔn)確度，覆蓋率和多樣性。

第二步則比較簡單，計(jì)算物品與用戶已買物品的相似度（權(quán)重和），然后根據(jù)相似度排序選出topN.

ItemCF在實(shí)際系統(tǒng)中運(yùn)用的比較多，主要有兩個(gè)優(yōu)點(diǎn)：

1）item-item表相比如user-user表要小的多，處理起來比較容易

2）itemCF容易提供推薦理由，比如給你推薦《機(jī)器學(xué)習(xí)》是因?yàn)槟阒百I過《數(shù)據(jù)挖掘》，這樣能增加信任度，提高用戶和推薦系統(tǒng)的交互，進(jìn)一步增強(qiáng)個(gè)性化推薦