?常用推薦算法包括以下幾種

1.協(xié)同過濾算法

1）基于用戶的協(xié)同過濾算法

2）基于項的協(xié)同過濾算法

2.基于矩陣分解的推薦算法

矩陣分解是將一個矩陣分解成兩個或多個矩陣的乘積。基于矩陣分解的推薦算法分為2步。

1）對用戶商品矩陣分解

2）利用分解后的矩陣預(yù)測原始矩陣中的未打分項

3.基于圖的推薦算法

基于圖的模型（graph?basedmodel ）需要將用戶行為數(shù)據(jù)表示成圖的形式。將用戶行為數(shù)據(jù)表示二分圖模型后，下面的任務(wù)就是在二分圖上給用戶進(jìn)行個性化推薦。

4.基于內(nèi)容的推薦

基于內(nèi)容的推薦根據(jù)用戶過去喜歡的物品，為用戶推薦和他過去喜歡的物品相似的物品。

5.基于關(guān)聯(lián)規(guī)則的推薦

基于關(guān)聯(lián)規(guī)則的推薦是根據(jù)歷史數(shù)據(jù)統(tǒng)計不同規(guī)則出現(xiàn)的關(guān)系。例如，購買鞋的顧客，有10%的可能也會買襪子，60%的買面包的顧客，也會買牛奶。這其中最有名的例子就是"尿布和啤酒"的故事了。

6.基于效用的推薦

基于效?：基于效?的推薦（Utility-based Recommendation）是建?在對?戶使?項?的效?情況上計算的，其核?問題是怎樣為每?個?戶去創(chuàng)建?個效?函數(shù)，因此，?戶資料模型很?程度上是由系統(tǒng)所采?的效?函數(shù)決定的。

7.基于知識的推薦

基于知識：基于知識的?法因它們所?的功能知識不同?有明顯區(qū)別。效?知識( FunctionalKnowledge)是?種關(guān)于?個項?如何滿?某?特定?戶的知識，因此能解釋需要和推薦的關(guān)系，所以?戶資料可以是任何能?持推理的知識結(jié)構(gòu)，它可以是?戶已經(jīng)規(guī)范化的查詢，也

可以是?個更詳細(xì)的?戶需要的表?。

8.組合推薦

組合推薦：由于各種推薦?法都有優(yōu)缺點，所以在實際中，組合推薦( Hybrid Recommendation)經(jīng)常被采?。研究和應(yīng)?最多的是內(nèi)容推薦和協(xié)同過濾推薦的組合。

后續(xù)將會對算法細(xì)節(jié)以及代碼實現(xiàn)進(jìn)行詳細(xì)講述，歡迎關(guān)注。