将用户与物品相结合的CF

1、Collaborative Filtering and Deep Learning Based Recommendation System For Cold Start Items
将冷启动问题CS,根据稀疏程度进一步划分CCS（稀疏性为100%）和ICS(稀疏性达到85%)

(1)利用SDAE降噪自编码器训练评分矩阵，获取每个物品的特征

(2)将获得物品特征融合到timeSVD++

B、TimeSVD++


修改timeSVD++公式为




对CCS物品的评分预测模型
（1）利用相似度将CCS物品与non-CCS物品相关联。
基于SDAE获得物品的特征，利用Pearson相关系数计算在CCS物品和non-CCS物品之间的相似性
其中为物品i和物品j特征向量。

并考虑两种方法进行预测对CCS物品评分
A、从non-CS物品集中抽取最相似的M个non-CS物品，将non-CS物品中缺失评分项被预测后，对CCS物品进行预测。该方法称为（TOA）

B、用户u评价过的non-CS物品，找最相似的non-CS物品

根据实验发现：

最终对CCS物品评分

误差

对ICS物品的评分预测模型

2、Merging user and item based collaborative filtering to alleviate data sparsity