引入Item属性的Content Based推荐
引入Item属性的CB算法是利用item的特征找到与之相关的其他item列表，这个过程是由正排表 --> 倒排表完成，排序后取TopN推荐给用户。打个比方，例如用户浏览一个音乐网站，该网站具有以下音乐item：itemA，itemB，itemC，itemD，itemE。
建立item属性索引表
首先对各item的名称进行分词，形成item --> token1, token2 ,…的正排表，其中token表示一个单词，score表示该token在该item名称里的权重值（TFIDF），score越大，说明该token越重要，即：
itemA --> token1 : score, token2 : score , token3 : score
itemB --> token1 : score, token3 : score , token4 : score
itemC --> token5 : score, token8 : score
itemD --> token3 : score, token1 : score
itemE --> token6 : score
然后利用上述正排表，形成每个token对应的倒排表，并且按照score逆序排列，即：
token1 --> itemA : score, itemB : score, itemD : score
token2 --> itemA : score,
token3 --> itemA : score, itemB : score,
token4 --> itemB : score,
token5 --> itemC : score,
token6 --> itemE
这些倒排表按照key - value的形式存入数据库中，key为token，value为该token对应的item列表。
相关性计算（itemH的token权重与倒排表的item权重的相乘）
当用户点击某一音乐itemH时，对itemH进行分词，形成
itemH --> token1: score1, token3 : score3，
拿分出的token去遍历数据库中的倒排索引表，查询token1和token3所对应的倒排列表
token1 --> itemA : score, itemB : score, itemD : score
token3 --> itemA : score, itemB : score。
(一个token倒排表里每个item的score就是该item正排表里分词出的相应token的score)
假设先遍历token1的倒排表，有itemA、itemB和itemD，此时计算每个item的推荐分数，则对itemA的推荐分数是
itemA.score= score1 * token1 -> itemA.score
对itemB的推荐分数
itemB.score = score1 * token1 -> itemB.score
对itemD的推荐分数
itemD.score = score1 * token1 -> itemD.score
接着遍历token3的倒排表，有itemA和itemB，则最终对itemA的推荐分数是
itemA.score= itemA.score + score3 * token3 -> itemA.score
对itemB的推荐分数是
itemB.score = itemB.score + score3 * token3 -> itemB.score
对itemD的推荐分数还是itemD.score
排序
最后按照itemA，itemB和itemD的score排序输出推荐item的顺序，排在前面的item自然就是与itemH相关度高的。
引入User属性的Content Based推荐
引入User属性的CB算法是在前面内容分析的基础上再结合了用户的行为（比如浏览记录、收藏记录等），也就是将已有的item数据和用户行为里的item数据放在一起，作分词产生正排表，再产生倒排表，结合用户当前浏览的item，利用其token遍历倒排表，进行相关性计算并排序，产生推荐列表。
协同过滤的CF（Collaborative Filterin）算法
item：用户行为日志，用户点击、浏览或观看某一个item的记录，并记录score。从行为日志中生成user-item即UI矩阵，表示某个user对某个item的喜好，这个喜好程度就用score来衡量。比如用户浏览某个新闻或观看某个视频的时间越长，score值越大。
微博推荐好友：一个user登录微博，将此user作为索引查询UU矩阵，找到其对应的user列表，完成好友推荐。
UU矩阵：反映出user和一组user之间的相似程度
II矩阵：反映出item和一组item之间的相似程度
充分利用群体智慧：预测user对某个item的喜爱程度是根据与该user相似的用户和这些用户对该item的score来判定的。这个过程没有像CB那样利用item的文本信息来计算相关性，不需要用分词来提取关键词，而是基于用户的行为，推荐的过程跟其他人有关，客观直接，CB的推荐过程与其他人无关，只根据item的内容相关性。
精度高于CB，CB只是依据文本内容（分词信息）进行相关性分析，但用户对某个item的喜好不仅仅是因为文本内容，可能会因为颜色、形状、甚至自己的感觉或周边人都喜欢等各种因素。CF中利用到user对item的score，而这个score正是反映出用户基于各种因素的考虑后对item的喜爱程度
推荐结果解释性较差：用户并不知道为什么要给自己推荐某个item，因为不像CB那样基于文本内容的相关性，而是基于其他用户的行为来推荐，很可能这些用户你并不认识，但你们在某种程度上存在相关性（比如有相同的爱好，都喜欢观看某一类型的视频），在于CF挖掘了某些隐含的相关性
对时效性强的item不适用：不管是利用UU还是II矩阵，前提都是需要整理出UI矩阵，如果这时新上架了一个item，没有任何人对此产生行为（比如点击、购买、浏览），那么这个新的item就不会存在于UI矩阵。只有当该item上架一段时间，收集到了大量的用户行为信息，那它才能进入UI矩阵，计算得出好的推荐结果。
冷启动问题：物品冷启动和用户冷启动，物品冷启动就是对新上架的item没有推荐作用；用户冷启动就是新注册了一个用户，该用户对物品没有产生任何的行为，同样对该user没有推荐作用。
CF要比CB有更好的推荐效果，一个网站新上架，此时没有任何的行为数据，那么先通过CB来将物品推荐出去，在推荐的过程中收集到大量的用户行为数据，一旦行为数据收集到一定程度，就可切换到CF产生推荐。也就是说CF是建立在CB的前提之上，因为没有行为的话CF无法作推荐，而CB是先帮你收集行为，有了行为就可以作CF，所以CF的效果要比CB好很多。
User-Based CF
假设：
–用户喜欢那些跟他有相似爱好的用户喜欢的东西
–具有相似兴趣的用户在未来也具有相似兴趣
方法：
–给定用户u，找到一个用户的集合N(u)，他们和u具有相似的兴趣——UU矩阵
–将N(u)喜欢的物品推荐给用户，基于其他用户的行为
Item-Based CF
假设：
–用户喜欢跟他过去喜欢的物品相似的物品
–历史上相似的物品在未来也相似
方法：
–给定用户u，找到他过去喜欢的物品的集合R(u)——II矩阵
–把和R(u)相似的物品推荐给u，基于用户的历史行为
MapReduce计算item相似度：
