1、推荐系统简介

　　个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

　　推荐系统主要处理的有两类内容：一个是User，一个是Item。系统的目标也很明确，就是向User推荐Item。

　　应用了推荐系统的例子有很多，比如：知名的电商：Amazon，全球有名的在线影片租赁商：Netflix，国内的新闻应用：今日头条。

2、推荐系统分类

2.1基于内容的推荐（Content-based Recommendation）

　　基于内容的推荐系统的核心思想是挖掘被推荐对象的信息。基于内容的推荐算法的前提假设是：如果用户喜欢物品a，那么用户也应该会喜欢与a类似的物品。由于笔者的目的是侧重于介绍协同过滤推荐算法，所以对基于内容的推荐算法举个简单的例子一带而过：

　　假设一首歌有：名称、歌手、风格、作曲人这4个属性。如果用户Alice对Michael 的歌曲Beat It评分很高，那么系统会分析Beat It这首歌的属性，随后系统就可能会向Alice推荐Michael的歌曲Dangerous，因为Dangerous与BeatIt有很多共同之处：歌手都是Michael，风格都是摇滚。

　　总的来讲，基于内容的推荐，利用的是被推荐对象自身的属性信息，利用这些信息来聚类，例如将众多的歌曲按风格聚类，得到蓝调风格的歌曲集合、摇滚风格的集合、田园风格的集合等等，当用户表示喜欢某一首歌曲时，系统会分析这个歌曲属于哪个风格，如果这个歌曲属于摇滚风格，那么系统就会从摇滚风格的集合中挑选出一些歌曲，将其推荐给用户。当然，这只是一种思路，实际的基于内容的推荐比我描述的要更复杂更详细，有兴趣的朋友可以深入研究一下，我以后有空也会把基于内容的推荐算法做一个详细介绍。

2.2协同过滤推荐 （Collaborative Filtering Recommendation）

　　将第二步得到的一些Alice从未听过的音乐的预测分值进行排序，选择前10个分值最高的音乐推荐给Alice，大功告成！

由于是初次结束推荐算法，所以文中难免有错误，欢迎大家指正~我也会再抽时间更新一些关于推荐算法的文章~