基于项目的协同过滤推荐算法［1,3,4］，从产品角度进行分析，寻找与目标产品相似的产品集合，然后进行预测和推荐。它基于一个假设，即用户对与其感兴趣产品相似的产品也感兴趣。由于项目间的相似性相对稳定，而通常项目的数量比用户数量少，这样可以减少计算量，降低数据稀疏性。
算法步骤：
(1)通过相似性算法，计算列向量的余弦相似性，即产品向量的相似性。
(2)选择相似性最高且没有被目标用户评价过的前M个产品，作为产品的邻居集合Mp。
(3)对邻居集合中产品的评分进行加权求和，得到目标用户对目标产品的预测评分
2．2 降低矩阵维数的技术
降低矩阵维数的技术可对原始稀疏数据直接进行数据处理，降低数据稀疏性。主要算法有单值分解、聚类等。
2．2．1 单值分解
单值分解算法利用矩阵的单值分解原理，对用户—产品矩阵进行分解，从而降低矩阵的维数，抽取出主要信息［2,5］。
算法步骤：
(1)使用每个产品的平均评分——列平均值——填充矩阵中的未评分项。
(2)利用用户的平均评分——行平均值——进行标准化，产生矩阵R。
(3)对R进行单值分解，得到
(6)根据同一产品被邻居评分的频繁程度产生推荐。
从算法步骤可以看出，通过单值分解得到的较低维的UkS1/2k矩阵比原始用户—产品稠密，并且抽取出了所有用户信息。在这个矩阵上进行相似性计算，可以减少计算量，提高在线推荐速度，并且提高推荐质量。实验表明，该算法在分解矩阵过程中，不可避免数据遗失。当原始矩阵极度稀疏时，单值分解算法试验结果并不理想。算法需要较大的计算量，较少的存储空间。
2．2．2 聚类
单值分解通过矩阵运算降低数据稀疏性，聚类［6－9］则是通过一些聚类算法将产品或用户聚成若干具有共同性质的类；然后在小的聚类数据中产生推荐。
(1)取前K个用户作为K个独立的聚类质心；剩余的每个用户与其最近质心进行比较。
(2)在形成聚类质心的基础上，重新计算聚类的质心。
(3)聚类内部的成员关系被重新估算。重复(1)－(3)，直到产生的K个聚类不再变化。
(4)在目标用户所在的类中进行用户相似性计算，主要运用第一部分中的相关相似性方法计算，得到最近邻居集合。
(5)对最近邻居的评分数据进行加权处理：
(6)预测产生后，根据预测评分的高低对目标用户进行推荐。
2．3 基于内容的协同过滤算法
2．1、2．2节中介绍的算法都是建立在用户对产品评分的基础上，在一定程度上都缓和了数据稀疏带来的问题。基于产品内容的协同过滤算法［11］与前面介绍的几种算法的不同之处，是考虑到了产品本身的信息。由于增加了信息量，可以有效提高推荐质量。
本文原文 单纯的基于产品内容的算法，根据单个用户已评价产品的内容信息，如电影的导演、演员、类型等，建立用户兴趣模型，进而产生推荐。这样的算法存在一些弊端：①由于通常获得的只是产品的部分信息，其他一些未知信息很有可能影响用户的行为，这就造成了推荐的不准确。②用户的喜好通常是多样的，而单个用户评分的产品数量却非常少。这样就使推荐局限于特定类型的产品上。
基于内容的协同过滤技术则不同。目前这方面的算法主要有线性结合型和连续结合型两个类型，如图2、3所示。
线性结合型算法步骤：
(1)通过历史评价的产品内容信息，建立用户兴趣模型。
(2)比较用户模型，得到基于内容的用户相似性。
(3)根据用户—产品评分矩阵，得到基于评分的用户相似性。
(4)将两个相似性进行线性组合，得到用户相似性。
(5)根据相似性，得到目标用户的最近邻居集。
(6)通过邻居集对目标用户进行评分预测和推荐。这个过程可以用2.1、2.2节介绍的算法进行。
连续结合型算法步骤：
(1)通过历史评价的产品内容信息，建立用户兴趣模型。
(2)根据每个用户兴趣模型的相互比较，获得目标用户的最近邻居集。
(3)将符合目标用户或其邻居兴趣模型的产品推荐给目标用户。
以上两种算法混合了协同过滤算法和基于内容的推荐算法，缓和了传统协同过滤算法没有考虑产品本身信息的缺陷，也解决了基于内容的推荐算法中单个用户信息稀少的问题。然而，产品信息的获取和存储，是一个困难且昂贵的问题。
