推荐系统常被问“它怎么知道我喜欢什么”。协同过滤的思路很朴素：找到和你口味相似的人，把他们喜欢而你没见过的东西推荐给你。人以群分，物以类聚，这就是核心。
基于用户的协同过滤先算用户之间的相似度，再汇总邻居的偏好打分。基于物品的协同过滤则看物品之间常被同时喜欢的关系，你买了A，就推荐常和A一起出现的B。
相似度常用余弦相似度或皮尔逊相关系数计算。数据稀疏时效果会打折，因为很多用户只评过少数物品，邻居关系难以可靠估计，于是又有了矩阵分解等方法。
协同过滤有明显局限：新用户和新物品缺少历史数据，存在冷启动问题。实际系统往往把协同过滤和内容特征、热度规则结合使用，取长补短。
