基於流行度的推薦比較粗暴，主要是對熱點商品或者資訊的推薦。主要是根據pv、uv、日均pv或分享率等資料來按某種熱度排序來推薦給使用者。
優點：簡單，適用於新註冊的使用者，解決冷啟動問題；
缺點：無法針對使用者提供個性化的推薦；優化方法：加入使用者分群的流行度排序，如把熱榜上的體育新聞推薦給體育迷
根據推薦物品或內容的元資料，發現物品或內容的相關性，再基於使用者以往的喜好記錄，推薦給使用者相似的物品。這種推薦系統多用於一些資訊類的應用上，針對文章抽取一些tag作為其關鍵字，繼而通過這些tag來評價兩篇文章的相似度。
優點：基於關聯規則的推薦演算法常用於電子商務。其實際意義是購買過一些商品的人可能會購買其他相關聯的商品。目前關聯規則的演算法主要從aprior和fp-growth兩個演算法發展演變而來。
優點：轉化率較高；
缺點：
1、計算量較大，但可以離線計算，因此影響不大；
2、由於採用使用者資料，不可避免存在冷啟動和稀疏性問題；
3、存在熱門專案容易被過度的推薦的問題
協同過濾是一種在推薦系統中廣泛應用的推薦演算法。基於「物以類聚，人以群分」的假設，喜歡相同物品的使用者可能具有相同的興趣，一般用於評分的系統之中。協同過濾推薦系統被分化為兩種型別：基於使用者（user-base）和基於物品（item-base）的推薦。
2.4.1 基於使用者推薦
該演算法的基本原理是，根據所有使用者對物品或者資訊的偏好（評分），發現與當前使用者口味和偏好相似的「鄰居」使用者群，在一般應用中採用計算k近鄰的演算法；基於這k個鄰居的歷史偏好資訊，為當前使用者進行推薦。
優點：推薦物品可能完全不相關；
缺點：一般在web系統中，使用者增長遠遠大於物品的增長速度，因此系統效能容易成為瓶頸。因此業界中單純基於使用者的協同過濾系統較少。
2.4.2 基於物品的推薦
使用所有使用者對物品或資訊的偏好（評分），發現物品和物品之間的相似度，然後根據使用者的歷史偏好推薦給使用者。基於物品的協同過濾可以看作是關聯規則推薦的一種退化，但是相對於關聯規則推薦準確率更高且覆蓋率高。
優點：相對於關聯規則推薦準確率更高且覆蓋率高；相對於使用者的協同推薦應用更廣泛、擴充套件性和演算法效能更好。
缺點：無法提供個性化的推薦結果。
2.4.3 協同過濾的總結
優點：不需要對物品或者使用者進行嚴格的建模，而且不要求物品的描述是機器可以理解的，所以這種方法也與領域無關。這種計算的推薦是開放的，可以共用他人的經驗，支援使用者發現潛在的興趣偏好。
缺點：基於歷史資料，對新物品和新使用者具有「冷啟動」的問題。推薦效果依賴使用者歷史偏好資料的多少和準確性。在大部分實現中，使用者歷史偏好是用稀疏矩陣進行儲存，稀疏矩陣在計算上有明顯的問題，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。對於一些特殊品味的使用者不能給與很好的推薦。由於歷史資料有基礎，抓取和建模使用者的偏好後，很難利用獲取使用者的偏好演變，導致方案不夠靈活。
2.5 基於模型的推薦演算法
基於模型推薦的方法有很多，主要使用常用的機器學習演算法對目標使用者簡歷推薦演算法模型，然後對使用者的愛好進行**推薦以及對推薦的結果打分排序。常用的模型包括aspect model，plsa，lda，聚類、svd、matrix factorization、lr、gbdt等。這種訓練方法較長，但是訓練後推薦過程比較塊且準確。因此比較使用於實時性比較高的新聞、廣告等。
優點：推薦過程快，準確性高；
缺點：需要人工干預反覆的進行屬性的組和和帥選，即常說的特徵工程；由於新聞需要時效性，系統也需要反覆更新線上的數學模型，以適應變化。
2.6 混合推薦演算法
推薦系統入門介紹
推薦系統 推薦系統是利用電子商務 向客戶提供商品資訊和建議，幫助使用者決定應該購買什麼產品，模擬銷售人員幫助客戶完成購買過程。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。隨著電子商務規模的不斷擴大，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...
C 入門推薦與介紹
入門推薦 c primer 這本書，簡直相當於一本字典，裡面內容很詳細。c 是c的超集，是在c語言基礎上開發的集物件導向程式設計 泛型程式設計和過程化程式設計於一體的程式語言。c 在c語言的基礎上新增了很多特性，包括 類和物件 繼承 多型 虛函式和rtti 執行階段型別識別 函式過載 引用變數 泛型...
推薦系統演算法介紹（二）
我們拿到的是使用者的一些基本資訊，或者根據使用者的上下文資訊得到使用者的標籤，這些標籤就屬於使用者的特徵，根據使用者的特徵可以找到跟使用者相似的使用者。相似的使用者具有相似的愛好，所以把物品推薦給使用者。最重要的資訊就是使用者的基本資訊，如年齡，性別。沒有使用者基本資訊，還可以收集沒有明確含義的使用...