基于物品的协同过滤算法（ItemCF）是业界应用最多的算法，主要思想是利用用户之前有过的行为，给用户推荐和之前物品类似的物品。

基于物品的协同过滤算法主要分为两步：

1）计算物品之间的相似度。

2）依据物品的相似度和用户的历史行为给用户生成推荐列表。

第一步的关键点在于计算物品之间的相似度，这里并不採用基于内容的相似性，而是去计算在喜欢物品i的用户中有多少是喜欢物品j的，这样计算的前提是用户的兴趣爱好通常是比較确定的，不easy变，那么当一个用户对两个物品都喜欢的时候，我们往往能够觉得这两个物品可能属于同一分类。令N(i)表示购买物品i的用户数，则物品i和物品j的相似度能够用wij = |N(i)&N(j)|/N(i)来计算。

第一步时间复杂度的改进方法：和UserCF类似，我们可以建立一张用户-物品的倒查表，这样每次去计算一个用户有过行为的那些物品间的相似度，可以保证计算的相似度都是实用的，而不用花大的计算量在那些0上面（肯定是个稀疏矩阵）

第一步相似度的改进方法1：若依据上面的公式来计算相似度，你会发现，物品i跟流行物品j的相似度非常高，由于流行读高，所以基本人人都会买，这种话流行度高的物品就比較没有区分度，所以我们须要惩处流行物品j的权重wij = |N(i)&N(j)|/sqrt(N(i)*N(j))

第一步相似度的改进方法2：须要惩处用户的活跃度。若用户活跃度比較低，仅仅买了有限的几本书，那么这几本书非常有可能在一个或者两个兴趣范围内，对计算物品相似度比較实用，可是假设说一书店卖家趁着打折把亚马逊90%的书都买了然后赚差价，那么该用户的行为对计算物品相似度就没什么作用，由于90%的书肯定会覆盖非常多范围，故应该像改进方法一中惩处用户的活跃度。

第一步相似度的改进方法3：物品相似度的归一话。归一化不只能提高推荐的精确度，还能够提高推荐的覆盖率和多样性。比方亚马逊上，用户的兴趣爱好肯定是分成几类的，非常少说爱好集中在一类。如果有两类A和B，A类之间的相似度为0.5, B类之间的相似度为0.8，A和B之间的相似度为0.2, 当用户买了5本A类的书和5本B类的书后，我们要给用户来推荐书，如果依照之前的方法，最后依照相似度排序，那么推荐的应该都会是B类物品，就算B类中排名比較低，但照样比A类要高阿，所以应该依据类别进行相似度的归一话，这样一来A的相似度为1，B的相似度也为1，这种话排序后的推荐A，B类商品都有，就大大提高了精确度，覆盖率和多样性。

第二步则比較简单，计算物品与用户已买物品的相似度（权重和），然后依据相似度排序选出topN.

ItemCF在实际系统中运用的比較多，主要有两个长处：

1）item-item表相比方user-user表要小的多，处理起来比較easy

2）itemCFeasy提供推荐理由，比方给你推荐《机器学习》是由于你之前买过《数据挖掘》，这样能添加信任度，提高用户和推荐系统的交互，进一步增强个性化推荐