协同过滤的主要目标：由于网络信息量的增多，用户往往被淹没在信息的海洋里，很难

很轻易的找到自己感兴趣的topic。协同过滤就是为了把用户最可能感兴趣的信息推送给用户。

协同过滤的方法： model-base，user-base，item-base，content-base。

1.user-based：搜集用户profile。对于一个active user，找到与其比较接近(或者相似)的几个neighbour。使用这些neibour 对active user 的interest 进行预测，把那些潜在的interest推荐给active user。

3.item-base:与user-based 相对应。协同过滤推荐根据用户对相似项的评分预测该用户对目标项的评分，它基于这样一个假设：如果大部分用户对一些项的评分比较相似，则当前用户对这些项的评分也比较相似。对每个item 寻找几个neighbour。例如如果item A 与item B是一个neighbour pair，对于一个active user，如果其对A 评价很高，或者有很高的兴趣，那么它极可能对B 感兴趣,这样B 就是一个潜在的interest.

4.content-based:根据item 的内容与用户历史兴趣度进行分析关联，它的一个前提假设就是如果一个用户在过去一段时间对某item 有较高的评价，那么在未来也会保持这种interest。

这样就可以根据item 之间的内容接近程度进行推荐。它有很大的缺陷，首先没有结合用户反馈，虽然一个item 具有很高的可推荐性，但是如果大家都对其评价较差，那么这也许是一个不好的推荐item;其次就是其对item 内容进行分析也只能是一个方面，不能全面深刻的描述一个item;再一个就是推荐的内容有限;当系统仅仅根据用户资料或项目描述来进行推荐的时候，用户被限制在只能得到与以往熟悉的内容相类似的项目。这样不利于挖掘用户潜在的兴趣。