推薦系統是主動從大量資訊中找到使用者可能感興趣的資訊的工具。推薦系統的核心問題是如何實現推薦個性化、如何向使用者推薦匹配度高的產品（商品）或專案,本質是通過一定的方式將使用者和專案聯絡起來。
自從xerox palo alto研究中心於1992年研發出了基於協同過濾的實驗系統tapestry以來（主要功能：利用使用者的顯式反饋（評分和注釋），幫助使用者過濾郵件，解決郵件過載問題。），隨著網際網路、移動技術發展，推薦系統得到了快速的發展，已經滲透到了人們的衣食住行中。
推薦系統針對不同的服務物件，可以分為基於全體使用者的推薦和基於單個使用者的推薦（即個性化推薦）。以電子商務為例，基於全體使用者的推薦，是對所有消費者給出同樣的推薦，如根據物品流行度計算的top-k個專案，推薦給所有使用者。基於單個使用者的推薦，是針對不同的使用者給出不同的推薦結果，如根據單個使用者的行為記錄，推測使用者的喜好，從而做出一對一的推薦。
（1）基於使用者行為資料的推薦
（2）基於專案內容資料的推薦
（3）基於社交網路資料的推薦
（4）基於語境感知的推薦
（5）基於人口統計學資料的推薦
（6）基於心理學資料的推薦
（7）基於大資料的推薦
上述幾類推薦演算法都有它的優勢和不足之處，如基於使用者行為資料的推薦不需要領域知識，只需要收集使用者行為資料即可進行推薦，但存在冷啟動問題（cold-start）；基於人口統計學的推薦不需要使用者的歷史行為資料，能夠很好地解決冷啟動問題，但年齡、性別等人口統計學資料比較難以獲取，並且推薦的粒度很粗（大多是針對某一類人群），單獨使用無法事先完全的個性化推薦。有關上述推薦演算法的優缺點詳細分析，如下圖所示:
上面主要是從整體的角度介紹了下推薦系統演算法的分類，下面重點介紹在電商領域常用的商品推薦方法及其優缺點和應用案例。
（1） 基於商品相似度的推薦：比如食物a和食物b，對於它們**、味道、保質期、品牌等維度，可以計算它們的相似程度，如買了包子，很有可能順路帶一盒水餃回家。
優點：只要有商品的資料，在業務初期使用者資料不多的情況下，也可以做推薦
缺點：預處理複雜，任何一件商品，有成百上千的維度，如何選取合適的維度進行計算是難題。
典型：亞馬遜早期的推薦系統
（2）基於關聯規則的推薦：最常見的就是通過使用者購買的習慣，經典的就是「啤酒尿布」的案例，首先要做關聯規則，資料量一定要充足，否則置信度太低，當資料量上公升了，業內的演算法有apriori、fp-growth等。
優點：簡單易操作，上手速度快，部署起來也非常方便
缺點：需要有較多的資料，精度效果一般
典型：早期運營商的**推薦
（3）基於物品的協同推薦：假設物品a被小張、小明、小董買過，物品b被小紅、小麗、小晨買過，物品c被小張、小明、小李買過；直觀的看來，物品a和物品c的購買人群相似度更高（相對於物品b），現在我們可以對小董推薦物品c，小李推薦物品a。
優點：相對精準，結果可解釋性強，副產物可以得出商品熱門排序
缺點：計算複雜，資料儲存瓶頸，冷門物品推薦效果差
典型：早期一號店商品推薦
（4）基於使用者的協同推薦：假設使用者a買過可樂、雪碧、火鍋底料，使用者b買過衛生紙、衣服、鞋，使用者c買過火鍋、果汁、七喜；直觀上來看，使用者a和使用者c相似度更高（相對於使用者b），現在我們可以對使用者a推薦使用者c買過的其他東西，對使用者c推薦使用者a買過買過的其他東西。
（5）基於模型的推薦：常用的方法有svd+、特徵值分解等，將使用者的購買行為的矩陣拆分成兩組權重矩陣的乘積，一組矩陣代表使用者的行為特徵，一組矩陣代表商品的重要性，在使用者推薦過程中，計算該使用者在歷史訓練矩陣下的各商品的可能性進行推薦。
優點：精準，對於冷門的商品也有很不錯的推薦效果
缺點：計算量非常大，矩陣拆分的效能及能力瓶頸一直是受約束的
典型：惠普的電腦推薦
（7）基於深度學習的推薦：現在比較火的cnn(卷積神經網路)、rnn(迴圈神經網路)、dnn(深度神經網路)都有運用在推薦上面的例子，但是都還是試驗階段，相對比較成熟的有基於word2vec的方法。
優點：推薦效果非常精準，所需要的基礎儲存資源較少。
缺點：工程運用不成熟，模型訓練調參技巧難。
典型：蘇寧易購的會員商品推薦
[1]朱楊勇.孫婧.推薦系統研究進展[j]。電腦科學與探索,2015,9(5):513-525
[2]深度學習在電商商品推薦中的應用 (
推薦系統概述
物品 關注物品集的屬性和特徵 使用者 關注使用者基本屬性，年齡，性別等 事務 使用者的行為記錄，分為顯示行為和隱式行為 推薦系統的分類 基於內容 content based 為使用者推薦與過去興趣相似的物品，物品的相似性是基於被比較物品的特徵來計算的 協同過濾 cf collaborative fi...
推薦系統 概述
好久沒有更新了！最近一直在研究推薦相關的知識，也算是有一點感悟吧，暫且打算寫一系列推薦入門的文章，一為分享，共同學習。二為對知識做乙個系統的整理。這是第一篇，不打算說太多關於技術的問題，我們就來隨便聊聊推薦系統，然後本篇文章也作為該系列的乙個導航文章吧！我想大家應該都對推薦系統不會陌生，不管你是逛 ...
推薦系統概述
利用使用者和物品的特徵資訊，給使用者推薦那些具有使用者喜歡的特徵的物品。利用使用者喜歡過的物品，給使用者推薦與他喜歡過的物品相似的物品。利用和使用者相似的其他使用者，給使用者推薦那些和他們興趣愛好相似的其他用 戶喜歡的物品。根據實時性分類 離線推薦 實時推薦 根據推薦原則分類 基於相似度的推薦 基於...