协同过滤：
利用已经存在的用户群体，对当前的用户的喜好进行推测。
基于用户的最近邻推荐：
先找出与当前用户喜好相似的用户信息，然后根据他们的评价体系对当前用户对未知物品的评价等级。
前提假设：
1.用户过去喜好相似，将来他们的喜好也会很相似
2.用户的喜好不会随着时间而改变
案例：
上表所示为Alice和其他四位用户对五类物品的评价分数，1表示不喜欢，5代表很喜欢。划分为五个等级评分。
任务：我们要推测，Alice对物品5的评分是多少？
基本思路：找到与Alice喜好相似的用户，基于他们对物品5的评分推测Alice对物品五的评分。
符号约定：U代表用户向量，P代表物品向量，R代表用户对相关物品的评分矩阵。
1.我们先基于皮尔逊相似度来计算用户之间的相似度
我们发现：根据皮尔逊相似度计算的相似系数，介于-1~1之间，结果显示，用户1和用户2与Alice的喜好最为相似。
2.根据用户1和用户2对物品5 的评分，对alice评分进行推测
4是Alice对所有已知物品评分的平均值，0.84是Alice和用户1 的相似度，0.7是Alice和用户2的相似度。（3-2.4）是用户1的评分浮动，（5-3.8）是用户2的评分浮动。加权求和归一化。
结论：还有很多计算相似度的方法，包括改进的余弦相似度，斯皮尔曼秩相关系数，均方差等。在基于用户的相似度计算方面，皮尔逊相似度是最优的。
选择近邻的个数的时候，K较大，会受到相似度小的用户的影响，K较小，又不具备太好的效果。一般K取20-50