基於協同過濾的推薦大體包括：基於專案的協同過濾（item-basedcf）、基於使用者的協同過濾（user-basedcf）、基於模型的協同過濾演算法[1-3]。
基於專案的協同過濾（item-basedcf）：首先根據不同使用者歷史購買商品的評分資訊計算出各專案之間的相似度，構建各專案之間的相似度矩陣；再找出與目標使用者已購買的商品相似度大的專案，構建近鄰專案集合。根據目標使用者的歷史偏好對近鄰專案集合中的專案進行**評分；最後根據專案**評分對目標使用者進行商品推薦。主要應用在電子商務**。
如圖1-2所示，使用者1同時購買了物品a和c；使用者2同時購買了物品a、b和c；使用者3購買了物品a；由使用者1和2可以看出人們在購買a的同時也購買了c。由此可以推斷物品a與c之間有一種潛在的關係，所以對於當前只購買了物品a的使用者來說，系統也可以向其推薦物品c。
基於使用者的協同過濾（user-basedcf）：推薦過程與基於專案的協同過濾大致相同。不同的是基於使用者的協同過濾構建的是使用者相似度矩陣，且推薦的商品是通過對近鄰使用者購買商品過濾得到的。
如圖1-3所示，使用者1同時選擇了物品a和c；使用者2只選擇了物品b；使用者3同時選擇了物品a、c、d。且使用者1和使用者3相似，雖然使用者1當前還未購買物品d，但由於使用者1和3具有相同的愛好，所以使用者1對物品d有著相同的喜好，因此可以斷定使用者1有很大的可能購買d。
典型的基於模型的協同過濾演算法包括：基於聚類模型推薦演算法[4]、基於矩陣分解的推薦演算法[5]、基於潛在語義分析推薦演算法[6]、基於神經網路與深度學習推薦演算法[7]等。
基於內容的推薦先是將商品分解為多個屬性標籤，然後基於使用者歷史購買行為資訊計算出每個使用者喜好的屬性標籤。針對所有待推薦商品，分別計算每個使用者的喜好屬性標籤與每個待推薦商品的屬性標籤的相似度[8-20]。選取前k個相似度大的商品對使用者進行推薦。
如圖1-4所示，假設有三個使用者1、2、3，使用者1購買了物品a，使用者2購買了物品b，使用者3也購買了物品b。物品a具有屬性標籤：黃色、長裙；物品b具有屬性標籤：藍色、帽子；對於待推薦的物品c具有屬性標籤：黃色、短裙。可以推測出購買物品a的使用者和將要購買物品c的使用者屬性標籤大致相同，因為物品a和b同時具有屬性標籤：黃色、裙子。這時系統可以推測使用者1對物品a和物品c具有相似的喜好程度，所以系統可以將物品c推薦給使用者1。
在推薦系統中，沒有一種絕對完美的演算法，可以準確無誤的**使用者的喜好。只有權衡各演算法之間的利弊，將兩種及以上的演算法進行融合，來彌補演算法之間的不足，並且保持不同演算法的優點。因此，真正的推薦場景往往是多個演算法相結合進行混合推薦（hybrid recommendation）[11-14]。
推薦系統概述 個性化推薦
1.從乙個例子出發 兩名使用者都在某電商 購買了a b兩種產品。當他們產生購買這個動作的時候，兩名使用者之間的相似度便被計算了出來。其中一名使用者除了購買了產品a和b，還購買了c產品，此時推薦系統會根據兩名使用者之間的相似度會為另一名使用者推薦專案c。2.應用現狀 推薦系統可以說是無處不在了，比如 ...
個性化推薦技術
如果說過去的十年是搜尋技術大行其道的十年，那麼個性化推薦技術將成為未來十年中最重要的革新之一。目前幾乎所有大型的電子商務系統，如amazon cdnow netflix等，都不同程度地使用了各種形式的推薦系統。而近來以 發現 為核心的 正開始在網際網路上嶄露頭角，比如側重於 推薦的八寶盒，側重於圖書...
個性化推薦漫談
如果說過去的十年是搜尋技術大行其道的十年，那麼個性化推薦技術將成為未來十年中最重要的革新之一。目前幾乎所有大型的電子商務系統，如amazon cdnow netflix等，都不同程度地使用了各種形式的推薦系統。而近來以 發現 為核心的 正開始在網際網路上嶄露頭角，比如側重於 推薦的八 寶盒，側重於圖...