步骤：1.输入item-user矩阵2.求item-item相似度（不同相似度度量：person系数、曼哈顿距离、余弦值、欧几里得距离）3.根据相似度求评分
UCF计算user之间的相似度，推荐相似用户A的item给B。步骤：1.输入item-user矩阵2.求user-user相似度（不同相似度度量：person系数、曼哈顿距离、余弦值、欧几里得距离）3.根据相似度求评分
（2）基于Model的协同过滤1.用关联算法做协同过滤（1）Apriori算法流程：下面我们对Aprior算法流程做一个总结。
输入：数据集合D，支持度阈值α输出：最大的频繁k项集
1）扫描整个数据集，得到所有出现过的数据，作为候选频繁1项集。k=1，频繁0项集为空集。2）挖掘频繁k项集
a)扫描数据计算候选频繁k项集的支持度
b)去除候选频繁k项集中支持度低于阈值的数据集,得到频繁k项集。如果得到的频繁k项集为空，则直接返回频繁k-1项集的集合作为算法结果，算法结束。如果得到的频繁k项集只有一项，则直接返回频繁k项集的集合作为算法结果，算法结束。
c)基于频繁k项集，连接生成候选频繁k+1项集。
3）令k=k+1，转入步骤2。
（2）FPGrowthFPTree算法包括三步：
1）扫描数据，得到所有频繁一项集的的计数。然后删除支持度低于阈值的项，将1项频繁集放入项头表，并按照支持度降序排列。
2）扫描数据，将读到的原始数据剔除非频繁1项集，并按照支持度降序排列。
3）读入排序后的数据集，插入FP树，插入时按照排序后的顺序，插入FP树中，排序靠前的节点是祖先节点，而靠后的是子孙节点。如果有共用的祖先，则对应的公用祖先节点计数加1。插入后，如果有新节点出现，则项头表对应的节点会通过节点链表链接上新节点。直到所有的数据都插入到FP树后，FP树的建立完成。
4）从项头表的底部项依次向上找到项头表项对应的条件模式基。从条件模式基递归挖掘得到项头表项项的频繁项集。
5）如果不限制频繁项集的项数，则返回步骤4所有的频繁项集，否则只返回满足项数要求的频繁项集。
2.用聚类(1)kmeans(2)minibatchkmeans分批数据进去训练(3)birch层次聚类数据集建立CFtree再在CFtree的基础上聚类
3.用分类（1）贝叶斯分类器某个人对物品的评分的概率，可以用贝叶斯的后验概率求出
（2）逻辑回归
（3）KNN
4.用回归
(2)FunkSVD(LFM)（基于NMF推荐）在SVD的基础上，加上了正则项，对p,q进行限制。
SVD算法是指在SVD的基础上引入隐式反馈，使用用户的历史浏览数据、用户历史评分数据、电影的历史浏览数据、电影的历史评分数据等作为新的参数。
（5）TrustSVD（加入社会化信任机制）现实中朋友彼此之间会受对方的影响，朋友推荐的物品更具有说服力和信任度。
（6）改进的信任模型不同人信任程度不一样基本原理是如果一个用户被越多的人信任，他的可信度就会越高，别人对他的信任权值就会越高
6.用神经网络(1)wide&deep
7.用图模型（1）基于随机游走的PersonalRank算法（2）改进用矩阵求解的方式
二、对于协同过滤的评分方法：
数据稀疏：1.基于图的方法：假定用户品味的传递性，并由此增强额外信息矩阵可以提高推荐质量，尤其在矩阵稀疏的时候2.缺省投票：给那些一两个用户评过分的物品赋以缺省值
冷启动：可以用到用户的附加信息（年龄，性别，教育程度等）