1700498950
1700498951
1700498952
1700498953
1700498954
1700498955
1700498956
其中，i表示项，例如商品；Iu表示用户u评价的项集；Iv表示用户v评价的项集；ru,i表示用户u对项i的评分；rv,i表示用户v对项i的评分；表示用户u的平均评分；表示用户v的平均评分。
1700498957
1700498958
另外，余弦相似度的计算公式如下所示：
1700498959
1700498960
1700498961
1700498962
1700498963
另一个重要的环节就是计算用户u对未评分商品的预测分值。首先根据上一步中的相似度计算，寻找用户u的邻居集N∈U,其中N表示邻居集，U表示用户集。然后，结合用户评分数据集，预测用户u对项i的评分，计算公式如下所示：
1700498964
1700498965
1700498966
1700498967
1700498968
其中，s(u,u’)表示用户u和用户u’的相似度。
1700498969
1700498970
假设有如下电子商务评分数据集，预测用户C对商品4的评分，见表3-6。
1700498971
1700498972
1700498973
1700498974
1700498975
表中?表示评分未知。根据基于用户的协同过滤算法步骤，计算用户C对商品4的评分，其步骤如下所示。
1700498976
1700498977
（1）寻找用户C的邻居
1700498978
1700498979
从数据集中可以发现，只有用户A和用户D对商品4评过分，因此候选邻居只有2个，分别为用户A和用户D。用户A的平均评分为4，用户C的平均评分为3.667，用户D的平均评分为3。根据皮尔逊相关系数公式来看，用户C和用户A的相似度为：
1700498980
1700498981
1700498982
1700498983
1700498984
同理，s(C,D)=-0.515。
1700498985
1700498986
（2）预测用户C对商品4的评分
1700498987
1700498988
根据上述评分预测公式，计算用户C对商品4的评分，如下所示：
1700498989
1700498990
1700498991
1700498992
1700498993
依此类推，可以计算出其他未知的评分。
1700498994
1700498995
2.基于项目的协同过滤
1700498996
1700498997
基于项目（Item-Based）的协同过滤算法是常见的另一种算法。与User-Based协同过滤算法不一样的是，Item-Based协同过滤算法计算Item之间的相似度，从而预测用户评分。也就是说该算法可以预先计算Item之间的相似度，这样就可提高性能。Item-Based协同过滤算法是通过用户评分数据和计算的Item相似度矩阵，从而对目标Item进行预测的。
1700498998
1700498999
和User-Based协同过滤算法类似，需要先计算Item之间的相似度。并且，计算相似度的方法也可以采用皮尔逊关系系数或者余弦相似度，这里给出一种电子商务系统常用的相似度计算方法，即基于条件概率计算Item之间的相似度，计算公式如下所示：