SlopeOne推荐算法也是基于物品协同过滤算法，但与之前说的ItemCF不同的是，ItemCF计算物品间的相似度，而SlopeOne则是基于不同物品间的评分差来预测用户对物品的评分。

算法简单，易于实现，准确性相对较高，且有效地适应数据的稀疏性。

设用户对物品的评分如下：

步骤1：

计算两个都被评过分物品的评分差的均值。

设：

物品i，j。

N(i)、N(j)分别代表对i，j评过分的用户集。

N(i)∩N(j)代表对i，j都评过分的用户集。

|N(i)∩N(j)|代表对i，j都评过分的用户数量。

u∈N(i)∩N(j)代表用户u对i，j都评过分。

r(u,i)、r(u,j)代表u对i，j的评分。

R(i,j)代表i，j评分差均值。

公式如下：

步骤2：

根据物品间的评分差均值，以及用户对其他物品的真实评分，来预测用户对未评分物品的评分。

设：

N(u)为用户u评过分的物品集。

i∈N(u)为用户u对物品i评过分。

P(u,j)为用户u对物品j的预测评分。

公式如下：

步骤3：

根据预测评分，选取分高的物品推荐。

举例:

设有如下用户与物品的评分：

求用户U3对物品c、d的评分x，y

如图可得，U3对a、b的评分

R(a)=2，R(b)=1。

计算物品间评分差均值：

R(a,b)=[(5-4)+(3-2)+(2-1)]/3=1R(a,c)=[(5-4)+(3-2)]/2=1R(a,d)=2R(b,c)=0R(b,d)=1R(c,d)=1

计算用户U3对c的预测分：

U3给a、b评过分，同时给a、c评过分的人数为2，同时给a、d评过分的人数为2。

P(u3,c)=[2*(R(a)-R(a,c))+2*(R(b-R(b,c)))]/(2+2)=[2(2-1)+2(1-0)]/4=1

计算用户U3对d的评测分：

P(u3,d)=0

U3对c的预测评分x=1，对d的预测评分y=0。