请阐述 Mahout 框架中基于物品（Item-based）协同过滤推荐算法的实现机制，并分析其相对于基于用户（User-based）方法的优点与局限。

回答思路

1. 【回答框架 1】Item-based 协同过滤的核心是预先计算物品间的相似度矩阵，推荐时根据用户历史行为物品的相似物品生成推荐列表。Mahout 中通过 ItemSimilarity 实现，常用 LogLikelihoodTest 或 PearsonCorrelation 计算相似度。
2. 【回答框架 2】实现分为离线与在线阶段：离线阶段构建用户-物品偏好矩阵，计算物品相似度并持久化；在线阶段对用户已评分的物品，按相似度加权求和候选物品的偏好值，输出 Top-N 推荐。
3. 【回答框架 3】优势：相似度可离线计算，在线推荐响应快；可解释性强，推荐结果可追溯到用户历史物品；对用户数量增长不敏感，适合用户远多于物品的场景。
4. 【回答框架 4】劣势：物品数量巨大时相似度计算和存储开销大；冷启动问题对物品依然存在，新物品无历史行为；基于历史共现的相似度难以捕捉用户兴趣变化，且容易形成信息茧房。
5. 【关键点 1】核心是离线构建物品相似度矩阵，在线加权生成推荐。
6. 【关键点 2】相似度计算是性能瓶颈，需按需更新和分布式计算。
7. 【关键点 3】适合物品数量相对稳定的场景，用户动态变化影响小。
8. 【易错点 1】相似度计算不能简单等同于推荐质量，需考虑数据稀疏性和相似度度量选择。
9. 【易错点 2】对用户冷启动和物品冷启动问题需要额外策略，如基于内容或流行度。
10. 【易错点 3】离线相似度可能无法及时反映热点变化，需定期重建或增量更新。