推薦方法是整個推薦系統中最核心、最關鍵的部分，很大程度上決定了推薦系統效能的優劣。目前，主要的推薦方法包括：基於內容推薦、協同過濾推薦、基於關聯規則推薦和組合推薦。
一、基於內容推薦
基於內容的推薦（content-based recommendation）是資訊過濾技術的延續與發展，它是建立在專案的內容資訊上作出推薦的，而不需要依據使用者對專案的評價意見，更多地需要用機 器學習的方法從關於內容的特徵描述的事例中得到使用者的興趣資料。在基於內容的推薦系統中，專案或物件是通過相關的特徵的屬性來定義，系統基於使用者評價物件 的特徵，學習使用者的興趣，考察使用者資料與待**專案的相匹配程度。使用者的資料模型取決於所用學習方法，常用的有決策樹、神經網路和基於向量的表示方法等。 基於內容的使用者資料是需要有使用者的歷史資料，使用者資料模型可能隨著使用者的偏好改變而發生變化。
基於內容推薦方法的優點是:
不需要其它使用者的資料，沒有冷開始問題和稀疏問題。
能為具有特殊興趣愛好的使用者進行推薦。
能推薦新的或不是很流行的專案，沒有新專案問題。
通過列出推薦專案的內容特徵，可以解釋為什麼推薦那些專案。
二、協同過濾推薦
協同過濾推薦（collaborative filtering recommendation）技術是推薦系統中應用最早和最為成功的技術之一。它一般採用最近鄰技術，利用使用者的歷史喜好資訊計算使用者之間的距離，然後 利用目標使用者的最近鄰居使用者對商品評價的加權評價值來**目標使用者對特定商品的喜好程度，系統從而根據這一喜好程度來對目標使用者進行推薦。協同過濾最大優 點是對推薦物件沒有特殊的要求，能處理非結構化的複雜物件，如**、電影。
協同過濾是基於這樣的假設：為一使用者找到他真正感興趣的內容的好方法是首先找到與此使用者有相似興趣的其他使用者，然後將他們感興趣的內容推薦給此使用者。其基本 思想非常易於理解，在日常生活中，我們往往會利用好朋友的推薦來進行一些選擇。協同過濾正是把這一思想運用到電子商務推薦系統中來，基於其他使用者對某一內 容的評價來向目標使用者進行推薦。
基於協同過濾的推薦系統可以說是從使用者的角度來進行相應推薦的，而且是自動的，即使用者獲得的推薦是系統從購買模式或瀏覽行為等隱式獲得的，不需要使用者努力地找到適合自己興趣的推薦資訊，如填寫一些調查**等。
協同過濾具有如下的優點：
1. 能夠過濾難以進行機器自動內容分析的資訊，如藝術品，**等。
2. 共享其他人的經驗，避免了內容分析的不完全和不精確，並且能夠基於一些複雜的，難以表述的概念（如資訊質量、個人品味）進行過濾。
3. 有推薦新資訊的能力。可以發現內容上完全不相似的資訊，使用者對推薦資訊的內容事先是預料不到的。這也是協同過濾和基於內容的過濾乙個較大的差別，基於內容的過濾推薦很多都是使用者本來就熟悉的內容，而協同過濾可以發現使用者潛在的但自己尚未發現的興趣偏好。
4. 能夠有效的使用其他相似使用者的反饋資訊，較少使用者的反饋量，加快個性化學習的速度。
三、基於關聯規則推薦
基於關聯規則的推薦是以關聯規則為基礎，把已購商品作為規則頭，規則體為推薦物件。關聯規則挖掘可以發現不同商品在銷售過程中的相關性，在零 售業中已經得到了成功的應用。管理規則就是在乙個交易資料庫中統計購買了商品集x的交易中有多大比例的交易同時購買了商品集y，其直觀的意義就是使用者在購 買某些商品的時候有多大傾向去購買另外一些商品。比如購買牛奶的同時很多人會同時購買麵包。
演算法的第一步關聯規則的發現最為關鍵且最耗時，是演算法的瓶頸，但可以離線進行。其次，商品名稱的同義性問題也是關聯規則的乙個難點。
四、組合推薦
由於各種推薦方法都有優缺點，所以在實際中，組合推薦經常被採用。研究和應用最多的是內容推薦和協同過濾推薦的組合。最簡單的做法就是分別用基於內容的方法和協同過濾推薦方法 去產生乙個推薦**結果，然後用某方法組合其結果。儘管從理論上有很多種推薦組合方法，但在某一具體問題中並不見得都有效，組合推薦乙個最重要原則就是通過組合後要能避免或彌補各自推薦技術的弱點。
常用推薦演算法
在推薦系統簡介中，我們給出了推薦系統的一般框架。很明顯，推薦方法是整個推薦系統中最核心 最關鍵的部分，很大程度上決定了推薦系統效能的優劣。目前，主要的推薦方法包括 基於內容推薦 協同過濾推薦 基於關聯規則推薦 基於效用推薦 基於知識推薦和組合推薦。一 基於內容推薦 基 於內容的推薦 content ...
常用推薦演算法
推薦系統的出現 隨著網際網路的發展，人們正處於乙個資訊 的時代。相比於過去的資訊匱乏，面對現階段海量的資訊資料，對資訊的篩選和過濾成為了衡量乙個系統好壞的重要指標。乙個具有良好使用者體驗的系統，會將海量資訊進行篩選 過濾，將使用者最關注最感興趣的資訊展現在使用者面前。這大大增加了系統工作的效率，也節...
推薦系統常用演算法
在推薦系統簡介中，我們給出了推薦系統的一般框架。很明顯，推薦方法是整個推薦系統中最核心 最關鍵的部分，很大程度上決定了推薦系統效能的優劣。目前，主要的推薦方法包括 基於內容推薦 協同過濾推薦 基於關聯規則推薦 基於效用推薦 基於知識推薦和組合推薦。一 基於內容推薦 基於內容的推薦 content b...