搜尋引擎是當前快速查詢目標資訊的最好途徑。在使用者對自己需求很明確時，用搜尋引擎可以方便地通過關鍵字快速找到自己需要的資訊。但搜尋引擎並不能完全滿足使用者對資訊發現的需求，因為在很多情況下，使用者其實並不明確自己的需要， 或者他們的需求很難用簡單的關鍵字來表述，又或者他們需要更加符合他們個人口味和喜好的結果，因此出現了推薦系統，與搜尋引擎對應，大家也習慣稱它為推薦引擎。
根據不同的標準，可以對推薦引擎進行如下分類：
1、根據是否為不同的使用者推薦不同的資料，可以將推薦引擎分為基於大眾行為的推薦引擎和個性化推薦引擎
個性化推薦引擎，顧名思義，就是針對對不同的使用者，根據他們的口味和喜好給出精確的推薦，這時，系統需要了解需推薦物品和使用者的個性化屬性，比如基於使用者協同過濾的推薦就是通過找到與目標使用者具有相同喜好的使用者所喜好的物品，來形成推薦結果。
這是乙個最基本的推薦引擎分類，其實大部分人們討論的推薦引擎都是將個性化的推薦引擎，因為從根本上說，只有個性化的推薦引擎才是更加智慧型的資訊發現過程。
2、根據推薦引擎的資料來源。
因為大部分推薦引擎的工作原理還是基於物品或者使用者的相似集進行推薦，而針對不同的資料來源，可從中發現的資料相關性不同，一般分為以下幾種：
3、根據推薦模型的建立方式
可以想象在海量物品和使用者的系統中，推薦引擎的計算量是相當大的，除了通過離線處理的方式外，要實現實時的推薦通常都是建立乙個推薦模型，關於推薦模型的建立方式可以分為以下幾種：
針對推薦方法或策略的選擇，一般**都不會侷限於某乙個，而是通過組合形成最佳的推薦引擎，關於如何組合各個推薦機制，以下是幾種比較流行的組合方法：
加權的混合（weighted hybridization）: 用線性公式（linear formula）將幾種不同的推薦按照一定權重組合起來，具體權重的值需要在測試資料集上反覆實驗，從而達到最好的推薦效果。
切換的混合（switching hybridization）：前面也講到，其實對於不同的情況（資料量，系統執行狀況，使用者和物品的數目等），推薦策略可能有很大的不同，那麼切換的混合方式，就是允許在不同的情況下，選擇最為合適的推薦機制計算推薦。
分割槽的混合（mixed hybridization）：採用多種推薦機制，並將不同的推薦結果分不同的區顯示給使用者。其實，amazon，當當網等很多電子商務**都是採用這樣的方式，使用者可以得到很全面的推薦，也更容易找到他們想要的東西。
分層的混合（meta-level hybridization）: 採用多種推薦機制，並將乙個推薦機制的結果作為另乙個的輸入，從而綜合各個推薦機制的優缺點，得到更加準確的推薦。
另外，在**上執行推薦，一般都是針對不同的場景來使用不同的推薦策略從而達到最好的推薦效果，例如amazon的推薦，它將基於使用者本身歷史購買資料的推薦，和基於使用者當前瀏覽的物品的推薦，以及基於大眾喜好的當下比較流行的物品都在不同的區域推薦給使用者，讓使用者可以從全方位的推薦中找到自己真正感興趣的物品，這樣就大大提高了推薦的有效性。
推薦引擎分為哪幾類，個性化推薦引擎的介紹
在資訊時代的今天，大資料為使用者獲取方方面面的資訊提高了效率，更可以智慧型的幫助使用者從海量內容中快速找到想要閱讀的資訊，或者從海量商品中快速找到想要購買的商品。推薦引擎的發展讓選擇不明確的使用者更加了解她們的需求和喜好。下面以內容產品和電商產品為例，談談推薦引擎在產品中發揮的巨大作用。一 推薦引擎...
Mapreduce 推薦引擎
購買過該商品的顧客還購買過哪些商品 給乙個商品，推薦購買過這個商品的使用者經常購買的五件產品 輸出是鍵值對，鍵是商品，值是5個商品的列表 map1 key userid value userid購買過的產品 map userid,item reduce1 reduce userid,item i1,...
Mahout分布式推薦引擎介紹
一直以為在 mahout 的在分布式上做了很多東西，很高深。最近一段時間由於工作中要實現一些分布式演算法，所以硬著頭皮看了一下它的原始碼。當時我匆忙的看過 kmeans 的實現，這次我的工作是在搜尋引擎日誌記錄中找相似 query 我是按照 query 以及它對應的點選商品來進行相似 query 匹...