核心是算法
推薦算法大致可以分為三類：基于內(nèi)容的推薦算法、協(xié)同過濾推薦算法和基于知識的推薦算法。
1、基于內(nèi)容的推薦算法，原理是用戶喜歡和自己關(guān)注過的Item在內(nèi)容上類似的Item，比如你看了哈利波特I，基于內(nèi)容的推薦算法發(fā)現(xiàn)哈利波特II-VI，與你以前觀看的在內(nèi)容上面（共有很多關(guān)鍵詞）有很大關(guān)聯(lián)性，就把后者推薦給你，這種方法可以避免Item的冷啟動問題（冷啟動：如果一個Item從沒有被關(guān)注過，其他推薦算法則很少會去推薦，但是基于內(nèi)容的推薦算法可以分析Item之間的關(guān)系，實現(xiàn)推薦），弊端在于推薦的Item可能會重復(fù)，典型的就是新聞推薦，如果你看了一則關(guān)于MH370的新聞，很可能推薦的新聞和你瀏覽過的，內(nèi)容一致；另外一個弊端則是對于一些多媒體的推薦（比如音樂、電影、圖片等)由于很難提內(nèi)容特征，則很難進行推薦，一種解決方式則是人工給這些Item打標簽。
2、協(xié)同過濾算法，原理是用戶喜歡那些具有相似興趣的用戶喜歡過的商品，比如你的朋友喜歡電影哈利波特I，那么就會推薦給你，這是最簡單的基于用戶的協(xié)同過濾算法（user-based collaboratIve filtering），還有一種是基于Item的協(xié)同過濾算法（item-based collaborative filtering），這兩種方法都是將用戶的所有數(shù)據(jù)讀入到內(nèi)存中進行運算的，因此成為Memory-based Collaborative Filtering，另一種則是Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚類，SVD，Matrix Factorization等，這種方法訓(xùn)練過程比較長，但是訓(xùn)練完成后，推薦過程比較快。
3、最后一種方法是基于知識的推薦算法，也有人將這種方法歸為基于內(nèi)容的推薦，這種方法比較典型的是構(gòu)建領(lǐng)域本體，或者是建立一定的規(guī)則，進行推薦。混合推薦算法，則會融合以上方法，以加權(quán)或者串聯(lián)、并聯(lián)等方式盡心融合。
當然，推薦系統(tǒng)還包括很多方法，其實機器學(xué)習(xí)或者數(shù)據(jù)挖掘里面的方法，很多都可以應(yīng)用在推薦系統(tǒng)中，比如說LR、GBDT、RF（這三種方法在一些電商推薦里面經(jīng)常用到），社交網(wǎng)絡(luò)里面的圖結(jié)構(gòu)等，都可以說是推薦方法。
