数据稀疏性。由于此类协同过滤的模型需要有训练数据支撑，而在冷启动期间用户不会在数据模型中完成所有项目，所以数据会有稀疏性。

　　【解决思路】：可以按该类别商品的用户平均水平进行推荐（项目冷启动期间的方案待探讨）。

　　可扩展性。协同过滤算法能够容易地为千万记用户提供量化的推荐，但是对于电子商务网站，往往需要给成千上万的用户提供推荐，这就一方面需要提高响应速度，能够为用户实时地进行推荐;另一方面还应考虑到存储空间的要求，尽量减少推荐系统运行对系统的负担。

　　【解决思路】：划定计算范围，对无记录和类别相关性差距较大的商品、无操作记录的用户进行剔除性。由此减少计算压力。同时为提升用户体验，可以在离线期间对推荐数据进行训练和计算。但以上方案会在一定程度上影响到推荐的精确

　　以上解决思路需进一步探讨，欢迎大家一起进行交流~~

　　结语

　　真正完善的个性推荐系统需要进行基于物品的协同过滤、基于内容的协同过滤和基于模型的协同过滤组合使用，并结合平台自身的商业模式、业务模式特性、召回率、覆盖率和转化率进行不断的优化，建立各种辅助模型才能达到最优。

　　希望各位朋友来提提想法，有好想法大家一起探讨交流。