通常推荐算法提供用户会喜欢一个项目的信心。用户已经购买的物品应该得到高度信任——用户购买它们是因为他喜欢它们。

在大多数情况下，过滤掉用户已经购买的项目是在应用程序级别完成的，而不是在算法级别。

因此，您可以使用常规推荐算法来了解用户是否会喜欢该商品。

请注意，您可能会面临不同的问题 - 用户会第二次/第三次购买该商品吗？为了解决这个问题，使用一些领域知识可能是有益的。如果产品通常多次分枝（例如牛奶），则只需使用推荐算法即可。如果所有产品都具有相同的购买次数趋势，则为此建立一个模型（例如，在已经购买 x 次的情况下，再购买一次的概率）并组合模型。如果您的产品与这方面有很大不同，您可能需要进入较低的级别。不同的领域需要不同的解决方案，但您可能会根据购买行为拆分产品并训练少数推荐系统，将购买次数添加为功能等。

您实际上正在寻找的是一种称为基于内容过滤
的技术， 正如 Wikipedia 定义的那样：

设计推荐系统时的另一种常见方法是基于内容的过滤。基于内容的过滤方法基于项目的描述和用户偏好的配置文件。在基于内容的推荐系统中，关键字用于描述项目，并建立用户档案以指示该用户喜欢的项目类型。换句话说，这些算法试图推荐与用户过去喜欢（或现在正在检查）的项目相似的项目。特别是，将各种候选项目与用户先前评分的项目进行比较，并推荐最匹配的项目。这种方法源于信息检索和信息过滤研究。

更多可以在这里找到。