個性化推薦是根據使用者的興趣特點和購買行為，向使用者推薦使用者感興趣的資訊和商品。
為什麼要個性化推薦？
- 商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的商品
- 瀏覽大量無關的資訊和產品，資訊過載問題，使用者難以獲取所需要的資訊
為每個item抽取出一些特徵來表示此item；結構化屬性如身高、學歷、籍貫等；非結構化屬性如item自己寫的交友宣言，部落格內容等等，需要轉化成結構化屬性
2.興趣學習：
利用乙個使用者過去喜歡（及不喜歡）的item的特徵資料，來學習出此使用者的喜好特徵（profile）；典型的有監督分類問題，理論上機器學習裡的分類演算法都可用
3.產生推薦：根據與目標使用者興趣類似的使用者，**目標使用者對特定產品的喜好程度。
- 以使用者作為樣本，每個使用者對產品的評價作為該使用者的特徵，尋找最相似的使用者。
- 為使用者推薦，其最相似使用者已經購買、瀏覽，而該使用者未購買、瀏覽的產品
拓展閱讀：協同過濾推薦中svd分解的應用
方法新使用者
新商品冷門商品
特殊商品
潛在興趣
特徵提取、建模
依賴使用者
基於內容×√
√√×需要
×協同過濾××
××√不需要√
- 基於內容的推薦，無法發現使用者的潛在興趣，且對於非結構化特徵的資料（電影、**等藝術作品）難以準確描述
- 協同過濾推薦，可以發現潛在興趣，不用提取特徵、建模，因此對藝術作品有效；冷啟動問題
推薦系統 關聯規則挖掘
購物籃分析 關聯規則挖掘，頻繁規則挖掘 挖掘資料集 事務資料集，交易資料集 購物籃資料 頻繁模式 頻繁地出現在資料集中的模式，例如項集，子結構，子串行等 挖掘目標 頻繁模式，頻繁項集，關聯規則等 關聯規則 牛奶 雞蛋 支援度 2 置信度 60 支援度 分析中的全部事物的2 同時購買了牛奶和雞蛋 置信...
RS 關於資料探勘中的推薦系統
一 推薦系統概述和常用評價指標 1.1 推薦系統的特點 1 重要性ui 資料 演算法，就是推薦系統中一味追求先進的演算法算是個誤區，通常 研究類的推薦方法有的帶有很多的假設限制，有的考慮工程實現問題較少，推薦系統需要大量的資料整理和轉化，同時更需要考慮公司業務特性以及與現有系統的整合，方能形成推薦系...
資料探勘 相似文章推薦
相似文章推薦 在使用者閱讀某篇文章時，為使用者推薦更多的與在讀文章內容相類似的文章 指介紹好的人或事物，希望被任用或接受。資料探勘領域，推薦包括相似推薦和協同過濾推薦。相似推薦 similar recommended 指利用已有使用者群過去的行為或意見，當前使用者最可能喜歡哪些東西或對哪些東西感興趣...