系统根据用户属性（基本资料or兴趣等）建模。根据这些基础特征计算用户的相似度。
eg. 用户A和用户C相似，则将用户A喜欢的内容推荐给用户C
a.不需要依赖历史数据，没有冷启动的问题；
b.不依赖于内容属性，可以无缝接入。
不足：
算法粗糙，效果不好，只适合简单的推荐。
系统根据内容（标签、属性等）建模。根据这些类型特征作为属性进行相似度。
eg. 用户A和喜欢看内容A，内容A和内容D内容相似，则可以将内容D推荐给用户A。
a.对用户兴趣可以很好的建模，并通过对内容属性维度的增加，获得更好的推荐精度。
a.内容的标签属性，很难得到更多数据；
b.内容相似度的衡量标准只考虑到了内容本身，有一定的片面性；
c.需要所有内容的历史标签、属性数据，有冷启动的问题。
基于用户对内容的偏好找到相邻的邻居用户，然后将邻居用户喜欢的推荐给当前用户
将一个用户对所有内容的TGI作为一个向量来计算用户之间的相似度，然后找到相邻用户，根据相邻用户的相似权重以及他们对内容的偏好，预测当前用户有没有偏好的未涉及内容，计算得到一个排序的内容列表作为推荐；
对于用户A，根据用户的历史偏好，计算得到一个邻居用户C，然后将用C喜欢的内容D推荐给用户A
基于内容对内容的偏好找到相邻的内容，然后根据用户的历史偏好。推荐相似内容给当前用户。
将所有用户对某个内容的TGI作为一个向量来计算内容之间的相似度，得到内容的相似内容后，根据用户历史的偏好预测当前用户还没有表示偏好的内容，计算得到一个排序的内容列表作为推荐；
对于内容A，根据所有用户的历史偏好，喜欢内容A的用户都喜欢内容C，得出内容A和内容C比较相似，而用户C喜欢内容A，那么可以推断出用户C可能也喜欢内容C
User CF：适合社交产品，加上社会网络信息，可以增加用户对推荐解释的信服程度。
Item CF：适合非社交产品，内容内在的联系尤为重要，能有效的引导用户浏览的重要手段
a 它不需要对物品或者用户进行严格的建模，而且不要求物品的描述是机器可理解的，所以这种方法也是领域无关的。
b 这种方法计算出来的推荐是开放的，可以共用他人的经验，很好的支持用户发现潜在的兴趣偏好
a 方法的核心是基于历史数据，所以对新物品和新用户都有“冷启动”的问题。
b 推荐的效果依赖于用户历史偏好数据的多少和准确性。
c 在大部分的实现中，用户历史偏好是用稀疏矩阵进行存储的，而稀疏矩阵上的计算有些明显的问题，包括可能少部分人的错误偏好会对推荐的准确度有很大的影响等等。
d 对于一些特殊品味的用户不能给予很好的推荐。
e 由于以历史数据为基础，抓取和建模用户的偏好后，很难修改或者根据用户的使用演变，从而导致这个方法不够灵活。
以上
