在分析选项之前，我们需要了解“基于用户的协同过滤”和“基于物品的协同过滤”的基本概念及其适用场景：

1. **基于用户的协同过滤**：这种方法主要找出与当前用户有相似兴趣的其他用户，然后推荐这些用户喜欢的物品。通常适用于用户数量相对较少而物品数量较多的情况。

2. **基于物品的协同过滤**：这种方法主要找出与某个物品相似的其他物品，然后推荐给对该物品表现出兴趣的用户。适用于物品相对较少而用户较多的情况。

现在，让我们分析每个选项：

- **A: 计算相似度的方法最好是欧式距离。**
- 这不完全正确。欧式距离在高维空间中不总是表现良好，尤其是稀疏数据集常见的场景。余弦相似度和皮尔逊相关系数通常更适合处理协同过滤中的相似度计算。因此，**A** 是错误的说法。

- **B: 基于用户的协同过滤适用于用户较少的场合。**
- 这通常是正确的。基于用户的协同过滤在用户数量较少时计算量更小，效果更好，因此**B**是正确的。

- **C: 都是可以用余弦相似度来计算物品与物品或者用户和用户之间的相似度。**
- 这是正确的。余弦相似度是一个常用的方法来计算用户与用户或物品与物品之间的相似度，因此**C**是正确的。

- **D: 基于物品的协同过滤适用于物品数量较少的场合。**
- 这是不正确的。基于物品的协同过滤通常在物品数量较大且用户数量相对较少时表现更好。因此，**D**也是错误的说法。

综合分析，选项 **A** 和 **D** 都是不正确的，但 **A** 更直接与计算相似度方法相关，通常在协同过滤中余弦相似度比欧式距离更常用。因此，正确答案是 **A**。