推薦演算法興起的原因是解決資訊過載問題。對於資訊過載問題，常見有兩種解決方式——搜尋引擎和推薦演算法。
作為推薦系統最基本的演算法之一——協同過濾，其在推薦演算法領域有著極為廣泛的應用。
協同過濾簡單來說是利用某興趣相投、擁有共同經驗之群體的喜好來推薦使用者感興趣的資訊，個人通過合作的機制給予資訊相當程度的回應（如評分）並記錄下來以達到過濾的目的進而幫助別人篩選資訊，回應不一定侷限於特別感興趣的，特別不感興趣資訊的紀錄也相當重要。
以使用者為基礎（user-based）的協同過濾（通過計算使用者之間相似度來推薦）和以專案為基礎（item-based）的協同過濾（通過計算物品之間相似度來推薦）統稱為以記憶為基礎（memory based）的協同過濾技術，他們共有的缺點是資料稀疏，難以處理大資料量影響即時結果，因此發展出以模型為基礎的協同過濾技術。 以模型為基礎的協同過濾(model-based collaborative filtering)是先用歷史資料得到乙個模型，再用此模型進行**。以模型為基礎的協同過濾廣泛使用的技術包括latent semantic indexing、bayesian networks…等，根據對乙個樣本的分析得到模型。另外一種分類方法（本質上都是能否處理大資料量）是以是否使用機器學習演算法。不使用機器學習演算法的稱為memory based，反之為model based。
一般說來，計算使用者之間的相似度比物品之間的複雜度要高的多，但是，通過計算使用者之間的相似度來進行推薦往往可以獲得較好的效果，而總是推薦相似的物品就比較普通。
當前協同過濾存在問題主要是資料稀疏和冷啟動問題。
協同過濾推薦演算法 協同過濾推薦演算法總結
推薦演算法具有非常多的應用場景和商業價值，因此對推薦演算法值得好好研究。推薦演算法種類很多，但是目前應用最廣泛的應該是協同過濾類別的推薦演算法，本文就對協同過濾類別的推薦演算法做乙個概括總結，後續也會對一些典型的協同過濾推薦演算法做原理總結。推薦演算法概述 1 基於內容的推薦 這一類一般依賴於自然語...
推薦演算法之協同過濾
舉例 以推薦使用者電影為例，假設有100w使用者，10w電影，使用者的id為uid1,uid2,uid3.電影的id為mid1,mid2,mid3.1 畫 橫座標表示所有電影，縱座標表示所有使用者，交叉點為某個使用者喜歡某部電影 mid1 mid2 mid3 mid4 mid5 mid10w uid...
推薦演算法之協同過濾
協同過濾的定義 通過找到興趣相投，或者有共同經驗的群體，來向使用者推薦感興趣的資訊。舉例 以推薦使用者電影為例，假設有100w使用者，10w電影，使用者的id為uid1,uid2,uid3.電影的id為mid1,mid2,mid3.1 畫 橫座標表示所有電影，縱座標表示所有使用者，交叉點為某個使用者...