推荐系统里用到了item-cf，系统总结下---
基于物品的协同过滤，就是item-cf。
===为什么没有用基于用户的协同过滤：相较于“物品”来说，用户量更大，将所有用户和推荐用户做对比，非常耗时。用户数远大于物品数，而且物品的变更频率不高，物品的相似度相对于用户的兴趣来讲比较稳定===
ItemCF不是基于物品本身属性来做推荐，而是基于用户行为记录。假如A和B在历史行为中被越多的用户共同喜欢，A和B相似程度越高
一般步骤：
1. 离线计算物品间的相似度
2. 根据用户历史行为物品推荐相似内容
物品相似度的计算
根据用户历史行为数据得出物品-用户的倒排表，建立物品的共现矩阵。为了惩罚热门物品，对矩阵进行归一化，得到相似矩阵
使用“余弦相似度”，从集合的角度来说，分母为两个用户分别交互的物品的乘积，分子为两个用户交互商品并集的数量
用户u对物品j的得分
N（u）为用户历史行为物品，s（j，k）为与物品j最相似的前k个物品，wij为物品i和j的相似度，rui为用户对i物品的打分（默认为1）。
相似度计算的优化
-
最大值归一化-惩罚热门物品
-
增加IUF参数-降低活跃用户的贡献
