协同过滤分析用户兴趣，在用户群中找到指定用户的（ ）用户，综合这些用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度（ ），并将这些用户喜欢的项推荐给有相似兴趣的用户。
A: 相似；推荐
B: 相同；推荐
C: 相似；预测
D: 相同；预测
A: 相似；推荐
B: 相同；推荐
C: 相似；预测
D: 相同；预测
举一反三
- 中国大学MOOC: 协同过滤分析用户兴趣，在用户群中找到指定用户的（ ）用户，综合这些用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度相同，并将这些用户喜欢的项推荐给有相似兴趣的用户。
- 协同过滤分析用户兴趣，在用户群中找到指定用户的相似(兴趣)用户，综合这些用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。
- 基于内容的推荐采用最近邻技术，利用用户的历史信息计算用户之间的距离，然后利用目标用户的最近邻用户对商品的评价信息来预测用户对特定商品的喜好程度，最后根据这一喜好程度对目标用户进行推荐。
- 下列关于基于用户的协同过滤算法的说法中，错误的是（）。 A: 随着网站的用户数目越来越大，计算用户兴趣相似度矩阵将越来越困难 B: 基于用户的协同过滤算法相对于基于物品的协同过滤算法来说更个性化，反映了用户自己的兴趣传承 C: 基于用户的协同过滤算法可以使用余弦相似度来评测两个用户之间的联系 D: 新用户刚加入系统时，基于用户的协同过滤算法没有办法马上对该用户进行个性化推荐
- 将与该用户最相似的用户喜欢的标的物推荐给该用户。这就是（ ）的核心思想。 A: 基于内容的推荐 B: 基于统计的推荐 C: 基于用户的协同过滤 D: 专家推荐