ItemCF召回

基本思想：该算法向用户推荐与他们之前喜欢的物品相似的其它物品。

内容：itemCF算法通过计算用户的历史行为记录，来分析物品之间的相似度：如果喜欢物品a的用户大多数也喜欢物品b，那么认为物品A与物品B具有一定的相似度。

相似度计算公式：

参数影响：

参数K是ItemCF算法的重要参数，它对推荐算法的各种指标都会产生一些列的影响：

精度（准确率和召回率）：准确率和召回率与参数k并不呈正相关或者负相关，但是选择合适的K对于获得推荐系统高的精度比较重要。

流行度：随着K的增大，推荐结果的流行度会逐渐提高，但是当K增加到一定的程度，流行度就不会再有明显变化。

覆盖率：K越大，覆盖率会相应地降低。（存疑）

关注点：

活跃的用户，相比起不活跃的用户而言，对物品之间相似度的贡献更小。

越是热门的类，其类内物品的相似度越大。除此之外，不同领域的最热门物品之间的相似度往往也是很高的。

参考资料：

https://blog.csdn.net/dreamfantacy/article/details/102406922

https://aws.amazon.com/cn/blogs/china/recommended-system-overview-of-recommended-system-series-part-1/