Using Collaborative Filtering to Weave an Information Tapestry，David Goldberg, David Nichols, Brian Oki, and Douglas Terry
基于用户User跟物品Item来进行推荐
首先计算相似性：余弦，Pearson，杰卡德(Jaccard)相似系数
其次是预测评分，首先是根据用户进行计算
$R_{u,p}=\frac{\sum_{s\in S}(W_{u,s}\cdot R_{s,p})}{\sum_{s\in S}W_{u,s}}$
$W_{u,s}$是用户u和用户s的相似性，$R_{s,p}$是用户s对物品p的评分
用户数大于物品数，且用户向量很稀疏，所以一般基于物品的相似性来预测得分
基于物品预测评分：
首先计算物品与物品的相似性，找到用户购买过，且评分较高的top k的物品，预测用户对未购买过的物品的评分
$R_{u,p}=\sum_{h \in H}(W_{p,h}\cdot R_{u,h})$
其中$W_{p,h}$是物品p与物品h的相似性，$R_{u,h}$是用户u对物品h的已有评分