基于邻域的算法主要分为两类：基于用户的协同过滤算法和基于物品的协同过滤算法
基于用户的协同过滤算法
基础算法：
(1) 找到和目标用户兴趣相似的用户集合
(2) 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户
Jaccard公式计算u和v的兴趣相似度：
UserCF推荐算法建立物品到用户的倒查表，对于每个物品都保存对该物品产生过行为的用户列表
用户u对物品i的感兴趣程度：
算法的改进（User-IIF）
以图书为例，如果两个用户都曾经买过《新华字典》，这不能说明他们兴趣相似，但是如果他们都买过《数据挖掘导论》。那可以认为他们兴趣基本相似。所以必须考虑到热门物品对用户相似度的影响
基于物品的协同过滤算法
基于物品的协同过滤算法是业界应用最多的算法包括亚马逊、Netflix、Hulu、YouTube，其基础都是该算法。
基础算法：
(1) 计算物品之间的相似度
(2)根据物品的相似度和用户的历史行为给用户生成推荐列表
喜欢物品i的用户中有多少比例也喜欢物品j：
但是当物品j为热门物品时，
会很大，接近1，为了避免推荐出热门物品，用下面公式：
得到物品的相似度之后，ItemCF通过以下公式计算用户u对一个物品j的兴趣：
N(u)表示拥护喜欢的物品的集合，S(i,K)表示和物品i最相似的K个物品的集合，
表示用户u对物品i的兴趣（令
=1，此处有点不理解，这里为1是否有不妥，是否应该也是应该有上面公式计算才比较好（初试状态由用户定））
算法改进：
举个例子，如果有一个用户，开书店的，买了当当网１００ｗ上８０％的书来自己卖，从前面的算法来说，就表示着８０ｗ书各自产生相似度，这个用户虽然活跃但是买这些书并非都是出于自身的兴趣．
有ｐａｐｅｒ指出ＩＵＦ（Ｉｎｖｅｒｓｅ Ｕｓｅｒ Ｆｒｅｑｕｅｎｃｅ）即用户活跃度对数的倒数的参数，他认为活跃用户对物品相似度的贡献应该小于不活跃的用户，故修正物品相似度的计算公式：
物品相似度的归一化
假如一个用户喜欢５个ａ类物品，和５个Ｂ类物品，ａ类物品之间的相似度０.５，ｂ类物品的相似度为０.６，ａｂ之间的相似度为０.２，那么用ＩｔｅｍＣＦ给他进行推荐，推荐的就都是ｂ类物品，因此必须对相似度进行归一化来提高推荐的多样性。归一化公式：
