上一篇裏面的協作過濾方法是基於用戶的，方法都是首先需要找到與自己相近的用戶，讓後利用這些小範圍的用戶來對自己沒有看到過的東西進行推薦。但是考慮一個情況，比如說淘寶，註冊用戶已經超過了六千萬左右，而且現在還在不停的漲。那麼上面的基於用戶的協作過濾方法的一個問題就是，對一個用戶推薦通常需要和其他所有的用戶進行計算，並得出最終的推薦信息。在大數據量面前，這個算法的缺點就是計算量太大。這裏將要介紹的“基於物品的協作過濾”算法就能避免這些大數據量的計算。這裏的“避免”的意思是，不需要在線的實時的計算，而是可以在後臺已經計算好。
總體的思路很簡單，爲每件物品計算與其最相近的其他物品。然後我們爲某爲用戶提供推薦時，就可以查看他曾經評分過的物品，並從中選出排位靠前者（這多少代表了一些喜好）。再構造一個加權的列表，其中包含了與這些選中物品最爲相近的其他物品。
選擇一個物品相近的物品的算法我們上次其實就已經講過了，就是將原先的key是人的打分的矩陣進行轉換，變成key是物品的矩陣。這樣就可以用前面的算法來計算對於每一個物品，其他物品與其的相似程度。這一步完成之後就是推薦了。首先還是需要知道被推薦用戶的喜好，所以需要找出一些他打分比較高的電影，然後根據這些電影來計算其它電影的推薦分值。首先對於其中的一個電影，那麼其他電影與其相似性我們是知道的，那麼就可以用這個電影的打分乘以他們的相似度，來得到對未知電影的打分。這樣將所有的電影的打分加起來歸一化，就能夠得到其它電影的推薦指數了。
聽起來聽簡單的，其實也是這麼簡單的。從這兩種推薦方法來看，目的都是需要得到一個推薦的列表，而這個列表的排序需要一定的權值。怎麼計算權值，一個是找到品位相投的用戶，用他們的打分來綜合對這個列表打分。另一個是根據自己以前的打分的記錄，然後根據這些打分的記錄來對列表進行打分。
