基于用户的协同过滤算法，基本思想为当需要根据一个用户的信息对他进行针对性的推荐时，可以从用户库中计算出该用户的最邻用户，也就是信息、喜好最相近的用户，通过最邻用户的喜好来对当前用户来进行推荐。

        以电影推荐为示例，一般分为两个步骤，第一步是计算出当前用户的最邻用户，第二步是将最邻用户看过而当前用户没有看过的电影推荐给用户。本课题在计算最邻用户时，采用的也是权重算法，根据用户之间的性别、年龄、喜好分类、相同电影的评分以及观影历史的喜好标签分类分别计算分数，然后按照一定权重计算总分，而在计算喜好分类、相同电影的评分以及观影历史的喜好标签分类的分数时，则是根据两个用户的数据计算皮尔森相关系数。皮尔森相关系数是指两个变量之间的关系程度，介于-1到1之间，绝对值越大，两个变量之间关联性越高，也就是两个用户之间喜好越相近。通过对用户喜好、评分等数据的皮尔森相关系数计算，加上用户的性别、年龄的关联性，即可算出用户的最邻用户，继而达到协同过滤的效果。

        流程图设计如下：

              设计思路：

/**  * 基于用户的计算  * 主要原理为根据用户特性以及观影历史的电影特性找到最邻用户，然后推荐最邻用户的观看历史  * 计算最邻用户的计算方式为权重法，总分为100，  * 分数比例：  * （1）年龄比占5%  * （2）性别比占5%  * （3）用户喜好标签的皮尔森相关系数占30%  * （4）用户观影历史里面电影对应的喜好构成的列表的皮尔森相关系数占30%（每种喜好各自计算比例）  * （5）相同电影评分的皮尔森相关系数占30%  * 计算过程  * （1）用户的年龄比、性别比、用户喜好标签的皮尔森相关系数、用户观影历史里面电影对应的喜好构成的列表的皮尔森相关系数、相同电影评分的皮尔森相关系数  * （2）查询到最近邻用户  * （3）他的播放历史中用户没有的歌曲，同时也必须是用户喜欢的类型  */

此方法中关键点在于皮尔逊相关系数（r）计算。

皮尔逊相关系数可以反映两个变量之间的相关性大小，在自然科学领域中，皮尔逊相关系数广泛用于度量两个变量之间的相关程度，其值介于-1与1之间。它是由卡尔·皮尔逊从弗朗西斯·高尔顿在19世纪80年代提出的一个相似却又稍有不同的想法演变而来的。这个相关系数也称作“皮尔逊积矩相关系数”。

当r>0时，表示两变量正相关，r