受到大家公認的推薦演算法基本包括以下幾種：基於內容的推薦、協同過濾推薦、基於關聯規則的推薦、基於知識的推薦、組合（混合）推薦及其他推薦
基於內容的推薦是根據使用者已經選擇的物件，從推薦物件中選擇其他特徵相似的物件作為推薦結果。
（1）這一推薦演算法首先提取推薦物件的內容特徵，和使用者模型中的用戶興趣偏好匹配，匹配度較高的推薦物件就可作為推薦結果推薦給使用者。例如**的共性，找到使用者的興趣點。然後從其他**中選擇和使用者興趣點相似的**推薦給使用者；
（1）簡單、有效，不需要領域知識。（2）不需要歷史資料、沒有推薦物件冷啟動問題稀疏問題
（5）比較成熟的分類學習方法能夠為該方法提供支援，如資料探勘、聚類分析等。
（1）推薦物件特徵提取能力的限制，多**、不同語言相容問題
（2）很難出現新的推薦結果。、新使用者冷啟動問題、需要的資料量較大
協同過濾：
分為基於記憶體的協同過濾和基於模型的協同過過濾
基於記憶體的協同過濾演算法包括：基於使用者的協同過濾、基於item的協同過濾及這兩者相混合的協同過濾
(1)基於使用者的協同過濾推薦：先使用統計技術尋找與目標使用者喜愛相同物品的鄰居，然後根據目標使用者的鄰居的喜好產生向目標使用者的推薦。基本原理就是利用使用者訪問行為的相似性來互相推薦使用者可能感興趣的資源
(2)基於專案的協同過濾推薦：
根據所有使用者對物品或者資訊的評價，發現物品和物品之間的相似度，然後根據使用者的歷史偏好資訊將類似的物品推薦給該使用者
(3)基於模型的協同過濾推薦:
基模型的協同過濾推薦就是基於樣本的使用者喜好資訊，訓練乙個推薦模型，然後根據實時的使用者喜好的資訊進行**推薦
1由於新使用者和新物品的加入的冷啟動問題，解決：基於內容和協同過濾推薦混合
2、資料稀疏性：評分數量小，特殊偏好使用者難找到相似使用者
解決1當計算使用者相似性時，使用使用者的檔案資訊。2使用關聯檢索框架和相關的活動啟用演算法，通過使用者過去的事務和反饋資訊發現使用者間的可傳遞的關聯性。
以關聯規則挖掘演算法為基礎，把使用者已購買(或者喜好)的專案作為規則頭，把規則體作為待選推薦物件。
基於內容的過濾和協同過濾技術若要經過足夠資料的訓練，基於知識通過推斷使用者的需要和偏好來作出推薦。不需要大量資料
可分為三類：資料庫知識發現kdd、基於案例推理cbr和知識推理kr
**使用者對物品評分的行為稱為評分**。評分**的**準確度一般通過均方根誤差和平均絕對誤差計算。
主要計算召回率和準確率。準確率就是指我推薦的n個物品中有多少個是對的，其所佔的比重。召回率則是指正確結果中有多少比率的物品出現在了推薦結果中。兩者的不同就是前者已推薦結果個數當除數，後者已正確結果個數當除數。
4.3 覆蓋率4.4 多樣性4.5 新穎性4.6 驚喜度4.7 信任度4.8 實時性4.9 健壯性
推薦系統概論
什麼是推薦系統以及推薦系統解決的問題 解決資訊過載的問題，當使用者面對資訊過載的時候，需要人工或者工具幫助你做篩選，給出一些建議供使用者選擇。使用者需要乙個自動化的工具，分析歷史興趣。這個工具就是個性化推薦系統。網際網路已經把人們從資訊匱乏的時代帶到了資訊過載的時代，對於資訊消費者，從海量的資料中找...
推薦系統系列1 推薦系統評測指標
0 前言 什麼才是好的推薦系統？這是推薦系統評測的需要解決的首要問題。那我們怎麼去判斷乙個系統的好壞呢？我們認為乙個好的推薦系統不僅僅能夠準確的 使用者的行為，而且還能夠擴充套件使用者的視野，幫助使用者發現那些他們可能會感興趣但卻不那麼容易發現的東西。評價乙個推薦系統的好壞一般有幾個不同的指標，這些...
推薦系統系列 1 系統架構
最近開始學習推薦系統,在這裡做個記錄,會更新如下內容 推薦系統協同過濾與矩陣分解 推薦系統與深度學習 embedding在推薦系統中的應用 多角度審視推薦系統 推薦系統工程實現 推薦系統評估 推薦系統前沿 該系列內容是參考 王喆的深度學習推薦系統 和深度學習推薦系統 書籍 整理的,作為自己的學習筆記...