使用者資料: 性別，年齡，年級等
互動資料:對產品的評價打分（構建評價模型）
如果主動推送給使用者，很有可能會引起使用者反感，雖然在一定程度上會提公升使用者活躍度。當然這個也可以通過演算法去控制要不要主動推送，對於活躍度一直很低的可以主動推薦，甚至是通過發簡訊來推送，其他使用者則可以轉為被動。
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
缺點:
a. 方法的核心是基於歷史資料，所以對新物品和新使用者都有「冷啟動」的問題。
b. 推薦的效果依賴於使用者歷史偏好資料的多少和準確性。
c. 在大部分的實現中，使用者歷史偏好是用稀疏矩陣進行儲存的，而稀疏矩陣上的計算有些明顯的問題，包括可能少部分人的錯誤偏好會對推薦的準確度有很大的影響等等。
d. 對於一些特殊品味的使用者不能給予很好的推薦。
e. 由於以歷史資料為基礎，抓取和建模使用者的偏好後，很難修改或者根據使用者的使用演變，從而導致這個方法不夠靈活。
基於協同過濾的推薦
充分利用集體的智慧型，即在大量的人群的行為和資料中收集答案，以幫助我們對整個人群得到統計意義上的結論。物件客觀上不一定一樣，但是主觀的行為相似，就可以產生推薦。
完全基於使用者的行為習慣，即
1)相似消費習慣的使用者，很可能消費相同的東西 （可能兩個消費習慣相同的使用者，年齡，性別都不一樣）
2)相似消費習慣的產品，很可能同時被消費。（可能兩個相似消費習慣的產品種類，大小都不一樣）
常用的推薦演算法
在推薦系統簡介中，我們給出了推薦系統的一般框架。很明顯，推薦方法是整個推薦系統中最核心 最關鍵的部分，很大程度上決定了推薦系統效能的優劣。目前，主要的推薦方法包括 基於內容推薦 協同過濾推薦 基於關聯規則推薦 基於效用推薦 基於知識推薦和組合推薦。一 基於內容推薦 基 於內容的推薦 content ...
常用推薦演算法
推薦方法是整個推薦系統中最核心 最關鍵的部分，很大程度上決定了推薦系統效能的優劣。目前，主要的推薦方法包括 基於內容推薦 協同過濾推薦 基於關聯規則推薦和組合推薦。一 基於內容推薦 基於內容的推薦 content based recommendation 是資訊過濾技術的延續與發展，它是建立在專案的...
常用推薦演算法
在推薦系統簡介中，我們給出了推薦系統的一般框架。很明顯，推薦方法是整個推薦系統中最核心 最關鍵的部分，很大程度上決定了推薦系統效能的優劣。目前，主要的推薦方法包括 基於內容推薦 協同過濾推薦 基於關聯規則推薦 基於效用推薦 基於知識推薦和組合推薦。一 基於內容推薦 基 於內容的推薦 content ...