对余下的新闻进行评分和相似度加权的计算，计算包括两部分，一是用户X与S(X,n) 每一个用户的相似性，二是每个用户对新闻集N(X,m)中每条新闻的喜好，这样就能得到每条新闻相对于用户X的最终得分；

将N(X,m)中的新闻列表按照得分高低的顺序推荐给用户。

　　相比于基于内容的推荐算法，基于用户的协同过滤同样优缺点明显。

　　优点主要在于对分词等算法的精确度无太大要求，推荐都是基于用户的行为数据去不断学习和完善；同时能发现用户的潜在阅读兴趣，能“制造惊喜”。

　　而缺点则是启动的门槛高，用户量不够时几乎无法开展；并且学习量不够时推荐结果较差。

　　5. 总结

　　关于个性化推荐的算法，在网上有很多资料，也有很多其他的实现方法，因为笔者了解也有限，所以也不敢描述。如有兴趣可以自行搜索。热度和个性化推荐算法，作为大部分内容型产品的核心卖点之一，依然在不断地进化和完善中。没有哪种算法是完美的，甚至没有哪种算法是一定优于其他的，在实际使用中，很多产品都是多算法结合去做好内容推荐。

　　而产品经理在算法的实施中，绝对不是一句“我们要做个性化推荐”就完事的，必须深入算法内部，对算法的原理做深入了解，然后结合自己的产品特征来部署和优化。

　　因此我站在产品经理的角度，整理了这一篇初步的算法相关的介绍，如有对文中内容感兴趣的，欢迎探讨！如有描述不当之初，敬请指正，感激不尽！

　　最后，需要对我的团队表示感谢，飞哥在算法的研究中打了头阵并给出了细致的分享，宗荣对算法进行了无数轮的调整和优化，凯华在关键词的部署和效果验证中付出了很多心血……喜欢那些日子里大家一起从零开始学习和实现算法，让推荐效果越来越好。