该问题需从两种协同过滤算法（Collaborative Filtering）的特点进行比较说明
UserCF：基于用户的协同过滤算法ItemCF：基于物品的协同过滤算法
| 比较方面 | UserCF | ItemCF |
|---|---|---|
| 性能 | 适用于用户较少的场合，如果用户很多，计算用户相似度矩阵代价很大 | 适用于物品数明显小于用户数的场合，如果物品很多（网页），计算物品相似度矩阵代价很大 |
| 领域 | 时效性较强，用户个性化兴趣不太明显的领域 | 长尾物品丰富，用户个性化需求强烈的领域 |
| 实时性 | 用户有新行为，不一定造成推荐结果的立即变化 | 用户有新行为，一定会导致推荐结果的实时变化 |
| 冷启动 | 1.在新用户对很少的物品产生行为后，不能立即对它进行个性化推荐，因为用户相似度表示每隔一段时间离线计算的 2.新物品上线后一段时间，一旦有用户对物品产生行为，就可以将新物品推荐给和对它产生行为的用户兴趣相似的其他用户 |
1.新用户只要对一个物品产生行为，就可以给它推荐和该物品相关的其它物品。 2.但没有办法在不离线更新物品相似度表的情况下将新的物品推荐给用户。 |
| 推荐理由 | 很难提供令用户信服的推荐解释。 | 利用用户的历史行为给用户做推荐解释，可以令用户比较信服 |
在大部分情况下，用户数量往往比物品数量多，而且用户的个性化需求比较强烈，在对于给用户的推荐的时候如果能考虑到用户的历史行为等信息，推荐的商品将更容易被用户接受
综上，大部分情况中基于item-item的协同过滤算法的结果会优于基于user-user协同过滤算法
