协同过滤常常被用于分辨某为特定顾客可能感兴趣的东西，这些结论来自于对其他相似顾客对哪儿些产品感兴趣的分析。协同过滤以其出色的速度和健壮性，在全球互联网领域炙手可热。
算法简介
电子商务推荐系统的一种主要算法。
协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。
与传统文本过滤相比，协同过滤有下列优点:
（1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;
（2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤;
（3）推荐的新颖性。
缺点是:
（1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）;
（2）随着用户和商品的增多，系统的性能会越来越低;
（3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。
因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。
协同过滤主要基于两个方面：
item-basedCF
基于item（物品）的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐；
user-basedCF
基于user的协同过滤，通过不同用户对item的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐；
UserCF是某个群体内的物品热门程度
ItemCF是反应本人的兴趣爱好，更加个性化
-协同过滤：基于用户行为，本质上是graph model。考虑的是用户的共同行为。
-内容推荐：根据文本相关性。考虑词的共现状况。
备注：
—数据减噪—
数据在收集的过程中会存在系统误差和随机误差，在文件传输存储时还会有截断误差。
这些误差会影响模型的精度。
你说的减噪应该是降噪。就是将数据分为干净信号和随机噪声波动两部分内容，然后去除噪音。
协同过滤：你跟小明是好基友，兴趣相似，小明喜欢看爱情片，还是动作的，所以你也有可能喜欢看爱情片，也是动作的。
基于内容：你跟小明都喜欢看爱情片，都是动作的，但是小明比较喜欢欧美的，你比较喜欢亚洲的。
混合推荐结果就是：电影东京有点热
–推荐系统的安全问题：–
现在推荐系统在电子商务领域的应用比较多，这里涉及到经济利益的问题，一些不法分子，会通过操纵推荐系统，比如捏造商品的评分信息，让系统只推荐自己所买的商品，这是问题之一。推荐系统一般都会记录了用户很多的行为记录，这对用户来说，是一种隐私，如何保护好用户的隐私，这是问题之二。
