协同过滤是推荐系统的经典方法，核心思想是“物以类聚、人以群分”。它分为基于用户和基于物品两条路线，前者找与你口味相近的人，后者找你喜欢的物品的相似品，二者在不同场景下各有优势。
基于用户的协同过滤计算用户之间的相似度，把相似用户喜欢而你没见过的物品推荐给你。它的优点是可解释性强、能发现跨类目的惊喜推荐，缺点是用户数量大时相似度矩阵维护成本高，且用户兴趣漂移快。
基于物品的协同过滤计算物品之间的相似度，把与你历史喜欢的物品相似的物品推给你。它的优点是物品相对稳定、相似度可离线预计算、在线只需查表，工业界大规模系统更偏爱这一路线。
相似度度量常用余弦相似度、皮尔逊相关系数或杰卡德相似度。选择时要考虑数据特性：隐式反馈适合余弦或杰卡德，显式评分适合皮尔逊，稀疏数据要先做降维或平滑处理。
无论哪种路线，都要处理热门物品带来的流行度偏差。可以对相似度做热度惩罚，或在打分阶段对高频物品降权，避免推荐结果全是爆款，损失长尾多样性与新颖性。
