推薦演算法大致可以分為以下幾類
可以按照乙個專案的流行度進行排序，將最流行的專案推薦給使用者。比如在微博推薦中，將最為流行的大v使用者推薦給普通使用者。微博每日都有最熱門話題榜等等。
演算法十分簡單，通過簡單熱度排序即可。
協同過濾演算法(collaborative filtering, cf)是很常用的一種演算法，在很多電商**上都有用到。cf演算法包括基於使用者的cf(user-based cf)和基於物品的cf(item-based cf)。
2.1 基於使用者的cf
1、分析各個使用者對item的評價（通過瀏覽記錄、購買記錄等）；
2、依據使用者對item的評價計算得出所有使用者之間的相似度；
3、選出與當前使用者最相似的n個使用者；
4、將這n個使用者評價最高並且當前使用者又沒有瀏覽過的item推薦給當前使用者。
首先我們根據**的記錄計算出乙個使用者與item的關聯矩陣，如下，以微博資料為例
圖中，行是不同的使用者，列是所有物品，(x, y)的值則是x使用者對y物品的評分（喜好程度）。我們可以把每一行視為乙個使用者對物品偏好的向量，然後計算每兩個使用者之間的向量距離，這裡我們用余弦相似度來算：
然後得出使用者向量之間相似度如下，其中值越接近1表示這兩個使用者越相似：
最後，我們要為使用者1推薦物品，則找出與使用者1相似度最高的n名使用者（設n=2）評價的物品，去掉使用者1評價過的物品，則是推薦結果。
基於物品的cf原理大同小異，只是主體在於物品：
1、分析各個使用者對item的瀏覽記錄。
2、依據瀏覽記錄分析得出所有item之間的相似度；
3、對於當前使用者評價高的item，找出與之相似度最高的n個item；
4、將這n個item推薦給使用者。
2、基於物品的cf
計算方式大致相同，只是關聯矩陣變為了item和item之間的關係，若使用者同時瀏覽過item1和item2，則(1,1)的值為1，最後計算出所有item之間的關聯關係如下：
對於微博資料集，item可以指的是被關注者（followee）,而item之間的相似度可以通過使用者對於item的行為來統計。如果使用者對於item有過行為，則可以令偏好值為1。針對使用者關注行為列表，可以通過統計item在使用者關注列表中的共現次數來計算。
優點：演算法簡單，一定程度上準確率高
缺點：1、依賴於準確的使用者評分；
2、在計算的過程中，那些大熱的物品會有更大的機率被推薦給使用者；
3、冷啟動問題。當有一名新使用者或者新物品進入系統時，推薦將無從依據；
4、在一些item生存周期短（如新聞、廣告）的系統中，由於更新速度快，大量item不會有使用者評分，造成評分矩陣稀疏，不利於這些內容的推薦。
基於模型的方法有很多，用到的諸如機器學習的方法也可以很深，這裡只簡單介紹下比較簡單的方法——logistics回歸**。我們通過分析系統中使用者的行為和購買記錄等資料，得到如下表：
中的行是一種物品，x1~xn是影響使用者行為的各種特徵屬性，如使用者年齡段、性別、地域、物品的**、類別等等，y則是使用者對於該物品的喜好程度，可以是購買記錄、瀏覽、收藏等等。通過大量這類的資料，我們可以回歸擬合出乙個函式，計算出x1~xn對應的係數，這即是各特徵屬性對應的權重，權重值越大則表明該屬性對於使用者選擇商品越重要。
在擬合函式的時候我們會想到，單一的某種屬性和另一種屬性可能並不存在強關聯。比如，年齡與購買護膚品這個行為並不呈強關聯，性別與購買護膚品也不強關聯，但當我們把年齡與性別綜合在一起考慮時，它們便和購買行為產生了強關聯。比如（我只是比如），20~30歲的女性使用者更傾向於購買護膚品，這就叫交叉屬性。通過反覆測試和經驗，我們可以調整特徵屬性的組合，擬合出最準確的回歸函式。最後得出的屬性權重如下：
基於模型的演算法由於快速、準確，適用於實時性比較高的業務如新聞、廣告等，而若是需要這種演算法達到更好的效果，則需要人工干預反覆的進行屬性的組合和篩選，也就是常說的feature engineering。而由於新聞的時效性，系統也需要反覆更新線上的數學模型，以適應變化。
現實應用中，其實很少有直接用某種演算法來做推薦的系統。在一些大的**如netflix，就是融合了數十種演算法的推薦系統。我們可以通過給不同演算法的結果加權重來綜合結果，或者是在不同的計算環節中運用不同的演算法來混合，達到更貼合自己業務的目的。
稀缺薦讀 認知天性 薦讀
目錄 稀缺薦讀 認知天性 薦讀 記住不要讓自己時常處於緊張的狀態，這樣效率不高，還很容易犯錯 定目標，重過程，輕結果才是最好的狀態 稀缺 這本書講了了乙個醫院的例子，一家綜合性大醫院有32間手術室，可是這家醫院每天都有大量的手術要做，因為突發狀況的發生醫院做的手術計畫總會被打亂，為了完成計畫醫生總要...
薦 記憶體位元組對齊
一 原理 原則1 結構體變數中成員的偏移量必須是成員大小的整數倍 0被認為是任何數的整數倍 原則2 結構體大小必須是所有成員大小的整數倍。結構體總大小等於最後乙個成員的偏移量加上其大小 二 例項 例1 計算結構體的大小 struct a int a char b char c 解析 利用sizeof...
薦 Angular常見誤區
前言 翻譯了半年之後，感覺差不多可以 金盆洗手 了。具體原因感興趣的朋友可以閱讀 about technical translation 這篇文章。但是自從不翻譯了之後，逼自己看英文技術文章就少了很多，所以就給自己想出了新的點子 推薦閱讀系列。還有另外乙個系列，stay tuned。看我月底能憋出什...