同现矩阵*评分矩阵=推荐结果

唯一需要明确的是：

这是一个基于物品的协同过滤的例子，要明确地以物品的相似角度描述。例子:

用户3对所有物品的评分， 有评分说明用户3喜欢这东西

用户ID	物品ID1	用户评分
3	101	2
3	102	0
3	103	0
3	104	4
3	105	4.5
3	106	0
3	107	5

同现矩阵其实就是 物品与物品之间的关联度， 这个关联度由所有用户对所有物品的评分决定
比如第一条， 说明同时有3个用户喜欢 101 与 102

物品ID1	物品ID2	物品ID1与物品ID2关联权重
101	102	3
102	102	4
103	102	4
104	102	2
105	102	2
106	102	1
107	102	1

计算推荐得分，  其意义是： 比如第5行， 用户3很喜欢物品105（给了得了4.5）， 同时由其他用户也知道喜欢物品105的对物品102的喜欢程度（得分2），  两者相乘表示用户3因为喜欢物品105 推算出 同时也喜欢物品102的得分。

用户ID	物品ID1	用户评分	物品ID2	物品ID1与物品ID2关联权重	得分=用户评分*物品ID1与物品ID2关联权重
3	101	2	102	3	2*3=6
3	102	0	102	4	0
3	103	0	102	4	0
3	104	4	102	2	4*2=8
3	105	4.5	102	2	4.5*2=9
3	106	0	102	1	0
3	107	5	102	1	5*1=5

用户3对物品102 兴趣总得分

用户ID	物品ID2	总得分
3	102	28