一.UserCF【基于用户】
基于用户的协同过滤，通过不同用户对商品的评分来评测用户之间的相似性，基于用户之间的相似性进行推荐。简单来说就是：给用户推荐和他兴趣相似的其它用户喜欢的商品。
二.ItemCF【基于商品】
基于商品的协同过滤，通过用户对不同商品的评分来评测商品之间的相似性，基于商品之间的相似性做出推荐。简单来说就是：给用户推荐和他之前喜欢的商品相似的商品。
三.计算规则
1.Co-occurrence Matrix【同现矩阵】和User Preference Vector【用户评分向量】相乘得到这个Recommended Vector【推荐向量】。
2.基于全量数据的统计产生同现矩阵，它体现商品之间的关联性，每件商品都有自己对其它商品的关联性，这就是商品的特征。
3.用户评分向量体现的是用户对一些商品的评分，任一商品需要用户评分向量乘以基于该商品的其它商品关联值，求和得出针对该商品的推荐向量，排序取TopNjik 。
4.公式
四.计算逻辑
1.通过历史订单交易记录计算得出每一件商品相对于其它商品同时出现在同一订单的次数【不考虑商品的具体数量】。
2.用户会对部分商品有过购买记录或收藏记录等实际操作，经过计算 会得到用户对这部分商品的评分向量列表。
3.使用用户评分向量列表中的分量依次乘以每一件商品同现列表中该分量代表的同现值，求和便是该商品的推荐向量。
4.图解
五.代码实现
未完待续。。。