通过计算5个用户对5件商品的评分本港台直播们获得了用户间的相似度数据。这里可以看到用户A&B，C&D，C&E和D&E之间相似度较高。下一步，本港台直播们可以依照相似度对用户进行商品推荐。

　　2,为相似的用户提供推荐物品

　　为用户C推荐商品

　　当本港台直播们需要对用户C推荐商品时，首先本港台直播们检查之前的相似度列表，发现用户C和用户D和E的相似度较高。换句话说这三个用户是一个群体，拥有相同的偏好。因此，本港台直播们可以对用户C推荐D和E的商品。但这里有一个问题。本港台直播们不能直接推荐前面商品1-商品5的商品。因为这这些商品用户C以及浏览或者购买过了。不能重复推荐。因此本港台直播们要推荐用户C还没有浏览或购买过的商品。

　　加权排序推荐

　　本港台直播们提取了用户D和用户E评价过的另外5件商品A—商品F的商品。并对不同商品的评分进行相似度加权。按加权后的结果对5件商品进行排序，然后推荐给用户C。这样，用户C就获得了与开奖直播偏好相似的用户D和E评价的商品。而在具体的推荐顺序和展示上本港台直播们依照用户D和用户E与用户C的相似度进行排序。

　　以上是基于用户的协同过滤算法。这个算法依靠用户的历史行为数据来计算相关度。也就是说必须要有一定的数据积累(冷启动问题)。对于新网站或数据量较少的网站，还有一种方法是基于物品的协同过滤算法。

　　基于物品的协同过滤算法(item-based collaborative filtering)

　　基于物品的协同过滤算法与基于用户的协同过滤算法很像，将商品和用户互换。通过计算不同用户对不同物品的评分获得物品间的关系。基于物品间的关系对用户进行相似物品的推荐。这里的评分代表用户对商品的态度和偏好。简单来说就是如果用户A同时购买了商品1和商品2，那么说明商品1和商品2的相关度较高。当用户B也购买了商品1时，可以推断开奖直播也有购买商品2的需求。

　　1.寻找相似的物品

　　表格中是两个用户对5件商品的评分。在这个表格中本港台直播们用户和商品的位置进行了互换，通过两个用户的评分来获得5件商品之间的相似度情况。单从表格中本港台直播们依然很难发现其中的联系，因此本港台直播们选择通过散点图进行展示。

　　在散点图中，X轴和Y轴分别是两个用户的评分。5件商品按照所获的评分值分布在散点图中。本港台直播们可以发现，商品1,3,4在用户A和B中有着近似的评分，说明这三件商品的相关度较高。而商品5和2则在另一个群体中。

　　欧几里德距离评价

　　在基于物品的协同过滤算法中，本港台直播们依然可以使用欧几里德距离评价来计算不同商品间的距离和关系。以下是计算公式。

　　通过欧几里德系数可以发现，商品间的距离和关系与前面散点图中的表现一致，商品1,3,4距离较近关系密切。商品2和商品5距离较近。

　　皮尔逊相关度评价

　　本港台直播们选择使用皮尔逊相关度评价来计算多用户与多商品的关系计算。下面是5个用户对5件商品的评分表。本港台直播们通过这些评分计算出商品间的相关度。

　　皮尔逊相关度计算公式

　　通过计算可以发现，商品1&2，商品3&4，商品3&5和商品4&5相似度较高。下一步本港台直播们可以依据这些商品间的相关度对用户进行商品推荐。

　　2,为用户提供基于相似物品的推荐

　　这里本港台直播们遇到了和基于用户进行商品推荐相同的问题，当需要对用户C基于商品3推荐商品时，需要一张新的商品与已有商品间的相似度列表。在前面的相似度计算中，商品3与商品4和商品5相似度较高，因此本港台直播们计算并获得了商品4,5与其开奖直播商品的相似度列表。

　　以下是通过计算获得的新商品与已有商品间的相似度数据。

　　加权排序推荐