1 基於人口統計學的推薦這是最為簡單的一種推薦演算法，它只是簡單的根據系統使用者的基本資訊發現使用者的相關程度，然後將相似使用者喜愛的其他物品推薦給當前使用者。
系統首先會根據使用者的屬性建模，比如使用者的年齡，性別，興趣等資訊。根據這些特徵計算使用者間的相似度。比如系統通過計算發現使用者a和c比較相似。就會把a喜歡的物品推薦給c。
優勢：a 不需要歷史資料，沒有冷啟動問題
b 不依賴於物品的屬性，因此其他領域的問題都可無縫接入。
不足：演算法比較粗糙，效果很難令人滿意，只適合簡單的推薦
2 基於內容的推薦與上面的方法相類似，只不過這次的中心轉到了物品本身。使用物品本身的相似度而不是使用者的相似度。
系統首先對物品（圖中舉電影的例子）的屬性進行建模，圖中用型別作為屬性。在實際應用中，只根據型別顯然過於粗糙，還需 要考慮演員，導演等更多資訊。通過相似度計算，發現電影a和c相似度較高，因為他們都屬於愛情類。系統還會發現使用者a喜歡電影a，由此得出結論，使用者a很 可能對電影c也感興趣。於是將電影c推薦給a。
優勢：對使用者興趣可以很好的建模，並通過對物品屬性維度的增加，獲得更好的推薦精度
不足：a 物品的屬性有限，很難有效的得到更多資料
b 物品相似度的衡量標準只考慮到了物品本身，有一定的片面性
c 需要使用者的物品的歷史資料，有冷啟動的問題
3 協同過濾協同過濾是利用集體智慧型的乙個典型方法。要理解什麼是協同過濾 (collaborative filtering, 簡稱 cf)，首先想乙個簡單的問題，如果你現在想看個電影，但你不知道具體看哪部，你會怎麼做？大部分的人會問問周圍的朋友，看看最近有什麼好看的電影推薦， 而我們一般更傾向於從口味比較類似的朋友那裡得到推薦。這就是協同過濾的核心思想。換句話說，就是借鑑和你相關人群的觀點來進行推薦，很好理解。
推薦系統常用演算法概述
前一陣子準備畢業 的開題，一直在看推薦系統相關的 對推薦系統有了乙個更加清晰和理性的認識，也對推薦演算法有了深入了解。藉此機會總結分享一下，大家多多拍磚。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...
推薦系統 推薦系統的常用演算法概述
前一陣子準備畢業 的開題，一直在看推薦系統相關的 對推薦系統有了乙個更加清晰和理性的認識，也對推薦演算法有了深入了解。藉此機會總結分享一下，大家多多拍磚。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...
推薦系統的常用演算法概述
前一陣子準備畢業 的開題，一直在看推薦系統相關的 對推薦系統有了乙個更加清晰和理性的認識，也對推薦演算法有了深入了解。藉此機會總結分享一下，大家多多拍磚。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...