Iterm-based的基本思想是預先根據所有使用者的歷史偏好資料計算物品之間的相似性，然後把與使用者喜歡的物品相類似的物品推薦給使用者。
演算法核心思想：給使用者推薦那些和他們之前喜歡的物品相似的物品。
比如，使用者A之前買過《資料探勘導論》，該演算法會根據此行為給你推薦《機器學習》，但是ItemCF演算法並不利用物品的內容屬性計算物品之間的相似度，它主要通過分析使用者的行為記錄計算物品之間的相似度。
==>該演算法認為，物品A和物品B具有很大的相似度是因為喜歡物品A的使用者大都也喜歡物品B。
基於物品的協同過濾演算法主要分為兩步：
一、計算物品之間的相似度；
二、根據物品的相似度和使用者的歷史行為給使用者生成推薦列表；
推薦演算法的幾個基本思想：
根據和你共同喜好的人來給你推薦（基於使用者的）
根據你喜歡的物品找出和它相似的來給你推薦（基於物品的）
根據你給出的關鍵字來給你推薦（退化成搜尋演算法）
根據上面的幾種條件組合起來給你推薦
經過多年的發展，思想還是這些思想，變化的地方在於計算相似度的衡量標準上，進而衍生出了各種計算相似度的演算法，各種演算法的優劣體現在相似度判定的準確度以及演算法的計算速度和佔用的計算資源：
使用者今天買菜刀了，明天你還推薦菜刀，有點腦殘，如果推薦砧板，還是比較智慧的
使用者今天買膝上型電腦，明天你還推薦電腦，有點腦殘，如果推薦滑鼠，鍵盤則是比較智慧的