基於近鄰的協同過濾

收集資料生成使用者商品評分矩陣，構建使用者或商品相似度矩陣，利用近鄰使用者或近鄰商品的評分進行加權平均求和得到當前使用者沒有瀏覽過的產品評分，選擇該使用者對沒有瀏覽過的評分topn的產品列表推薦給當前使用者

在usercf中使用pearson相似度比較多

在itemcf中使用改進余弦相似度比較多

加權平均求和、基於均值計算的加權平均求和、基於偏置項計算的加權平均求和（效果最好）

1.利用混合方法進行推薦，利用外部特徵對樣本進行分類、聚類建模

2.topn熱銷推薦，新品推薦

1.使用相對較少的有效評分來**。

2.利用使用者／物品的額外特徵屬性進行分類、聚類操作來得到相似使用者／物品列表。

3.可以使用預設投票的形式補全評分資料

評分一般採用兩分制、五分制、七分制、十分制四種。通過以下兩種方式

1.顯示評分：通過問卷調查的方式收集使用者對於商品的評分

topn過濾、閾值過濾、負數過濾，交叉驗證，一般25～50之間

可以根據規則/業務特徵對使用者-物品評分進行加權，加權之後再對推薦列表做乙個排序，最終產生推薦結果

1、**準確度：比如mae，rmse

2、分類準確度：

分類準確度定義為推薦演算法對乙個產品使用者是否喜歡判定正確的比例。因此 ,當使用者只有二元選擇時 ,用分類準確度進行評價較為合適。因此，想要用準確率和召回率評價推薦演算法，必須將評分分為兩部分，高於某個評分，表示喜歡，低於這個評分，表示不喜歡。

準確率和召回率：

準確率定義為系統的推薦列表中使用者喜歡的產品和所有被推薦產品的比率:，準確率表示使用者對乙個被推薦產品感興趣的可能性。召回率定義為推薦列表中使用者喜歡的產品與系統中使用者喜歡的所有產品的比率，召回率表示乙個使用者喜歡的產品被推薦的概率。