1.两种相似度的定义：
•User-Based CF 计算user与user的相似度矩阵
–用户喜欢那些跟他有相似爱好的用户喜欢的东西
基于用户相似度:用户对同一商品进行购买与评分，评分越高则喜欢程度越高，进行相似度计算，后续可推荐相似用户买过的商品
•Item-Based CF 计算item-item的相似度矩阵
–具有相似兴趣的用户在未来也具有相似兴趣
基于商品，某个用户一段时间买了某些商品，根据买的商品属性与归类，可以得到算出与该些商品相似的商品，推荐给该用户
2.基于用户推荐系统的实现方法
–给定用户u，找到一个用户的集合N(u)，他们和u具有相似的兴趣–将N(u)喜欢的物品推荐给用户.
相似度计算实例：
以上左图是A、B、C、D四个用户对5部电影做了评分，形成的用户--电影评分矩阵
右图为：A与B，B与c等等的两两相似度
欧氏距离：
A与B 的相似度： sqrt【(5-1)^2+ (1-5)^2+(2-5)^2+(2-5)^2】=7.07
余弦相似度：
分子： 5*1+1*5+2*5+2*5=30
A的模：sqrt（5^2+1^2+2^2+2^2）=5.83095
B的模 sqrt（1^2+5^2+5^2+5^2=8.71780
距离：d=30/5.83095*8.71780=0.59
原文：https://www.cnblogs.com/hejunhong/p/11312767.html