UserCF：

1. 性能：适用于用户较少的场合，如果用户很多，计算用户相似度矩阵代价很大。
2. 领域：时效性较强，用户个性化兴趣不太明显的领域。
3. 实时性：用户有新行为，不一定造成推荐结果的立即变化。
4. 冷启动：
   1. 在新用户对很少的物品产生行为后，不能立即对它进行个性化推荐，因为用户相似度表示每隔一段时间离线计算的。
   2. 新物品上线后一段时间，一旦有用户对物品产生行为，就可以将新物品推荐给和对它产生行为的用户兴趣相似的其他用户。
5. 推荐理由：很难提供令用户信服的推荐解释。

ItemCF：

1. 性能:适用于物品数明显小于用户数的场合，如果物品很多，计算物品的相似度矩阵代价很大。
2. 领域：长尾物品丰富，用户个性化需求强烈的领域。
3. 实时性：用户有新行为，一定会导致推荐结果的实时变化。
4. 冷启动：
   1. 新用户只要对一个物品产生行为，就可以给它推荐和该物品相关的其它物品。
   2. 但没有办法在不离线更新物品相似度表的情况下将新的物品推荐给用户。
5. 推荐理由：利用用户的历史行为给用户做推荐解释，可以令用户比较信服。

出自：《推荐系统实战》一书