协同过滤（Collaborative Filtering，简称CF）是推荐系统中最成功和广泛应用的个性化推荐技术之一。协同过滤的核心思想是利用用户群体对物品的评分数据，通过计算用户之间的相似度，预测某个用户可能感兴趣的未评分物品，并推荐给该用户。一般来说，协同过滤分为基于用户的（User-based）和基于物品的（Item-based）两种主要类型。基于用户的协同过滤推荐系统的核心组件是为活跃用户找到相似的用户，以对目标用户进行推荐。
在现有的相似度计算算法中，通常假设一对相似用户对所有物品有相似的偏好，并在计算用户间相似度时考虑所有物品。然而，相同的两个用户对于不同种类的商品可能有着不同的兴趣和爱好。换言之，两个用户的相似度可能仅限于某些物品的部分。例如，用户A和用户B可能在阅读书籍上兴趣相似，但在选购电子设备时兴趣截然不同。因此，如果在所有物品中计算他们的相似度，可能无法准确反映他们的真实兴趣。
针对这一问题，文章提出了基于局部物品空间距离（Local Item Space Distance，简称LISD）的新用户相似度度量方法，用以提高协同过滤的预测准确率。LISD能够在局部物品集群中区分出相似的用户，即对于不同的物品集群找到不同的相似用户。通过在推荐领域中的两个公开数据集上进行的实验表明，新的相似度度量方法在提高推荐系统预测准确率方面的优势。
为了更好地实现这一点，LISD方法采用了物品聚类（Item Clustering）的思想。物品聚类是指根据物品的特征或用户对物品的评分将物品划分为多个不同的群组，每个群组中的物品都具有一定的相似性。用户在各个物品群组中的偏好可能各不相同，因此，通过LISD度量能够更准确地捕捉到这种局部偏好，从而在不同物品群组中找到更加准确的相似用户。这对于具有高度异质性物品的推荐系统来说尤为重要。
LISD方法的主要优点在于它能够专注于用户的局部偏好，而不是基于用户整体的评分行为。该方法不仅提高了推荐的准确度，还可能为推荐系统带来更好的扩展性和适应性，特别是当用户兴趣多样化，以及物品种类繁多时。此外，LISD还可能减少冷启动问题（Cold Start Problem），即对于新用户或新物品，传统协同过滤难以快速找到相似用户或物品的问题。
总结来说，本文提出的基于局部空间的新用户相似度度量方法，为协同过滤推荐系统中的用户相似度计算提供了新的思路和方法。通过考虑用户在不同物品集群中的局部偏好，能够更加细致地刻画用户的兴趣特征，从而提高推荐系统的性能。随着推荐系统在各种在线服务中的广泛应用，这一研究具有重要的理论和实际意义。
