推薦算法是計算機專業(yè)中的一種算法，通過一些數(shù)學算法，推測出用戶可能喜歡的東西，應用推薦算法比較好的地方主要是網絡。所謂推薦算法就是利用用戶的一些行為，通過一些數(shù)學算法，推測出用戶可能喜歡的東西。

推薦算法的研究起源于20世紀90年代，由美國明尼蘇達大學GroupLens研究小組最先開始研究，他們想要制作一個名為Movielens的電影推薦系統(tǒng)，從而實現(xiàn)對用戶進行電影的個性化推薦。首先研究小組讓用戶對自己看過的電影進行評分，然后小組對用戶評價的結果進行分析，并預測出用戶對并未看過的電影的興趣度，從而向他們推薦從未看過并可能感興趣的電影。此后，Amazon開始在網站上使用推薦系統(tǒng)，在實際中對用戶的瀏覽購買行為進行分析，嘗試對曾經瀏覽或購買商品的用戶進行個性化推薦。根據(jù) enture Beat的統(tǒng)計，這一舉措將該網站的銷售額提高了35%自此之后，個性化推薦的應用越來越廣泛。

基于內容

基于內容的推薦（Content-based Recommendation）是信息過濾技術的延續(xù)與發(fā)展，它是建立在項目的內容信息上做出推薦的，而不需要依據(jù)用戶對項目的評價意見，更多地需要用機器學習的方法從關于內容的特征描述的事例中得到用戶的興趣資料。

在基于內容的推薦系統(tǒng)中，項目或對象是通過相關特征的屬性來定義的，系統(tǒng)基于用戶評價對象的特征、學習用戶的興趣，考察用戶資料與待預測項目的匹配程度。用戶的資料模型取決于所用的學習方法，常用的有決策樹、神經網絡和基于向量的表示方法等。基于內容的用戶資料需要有用戶的歷史數(shù)據(jù)，用戶資料模型可能隨著用戶的偏好改變而發(fā)生變化。

基于內容的推薦與基于人口統(tǒng)計學的推薦有類似的地方，只不過系統(tǒng)評估的中心轉到了物品本身，使用物品本身的相似度而不是用戶的相似度來進行推薦。

基于內容的推薦算法的優(yōu)勢在于：對用戶興趣可以很好地建模，并通過對物品屬性維度的增加，獲得更好的推薦精度。而不足之處就在于：①物品的屬性有限，很難有效得到更多數(shù)據(jù)；②物品相似度的衡量標準只考慮到了物品本身，有一定的片面性；③需要用戶的物品的歷史數(shù)據(jù)，有冷啟動的問題。

基于協(xié)同

基于協(xié)同過濾的推薦算法（Collaborative Filtering Recommendation）技術是推薦系統(tǒng)中應用最早和最為成功的技術之一。它一般采用最近鄰技術，利用用戶的歷史喜好信息計算用戶之間的距離，然后利用目標用戶的最近鄰居用戶對商品評價的加權評價值來預測目標用戶對特定商品的喜好程度，從而根據(jù)這一喜好程度來對目標用戶進行推薦。

基于協(xié)同過濾的推薦算法最大優(yōu)點是對推薦對象沒有特殊的要求，能處理非結構化的復雜對象，如音樂、電影。

基于協(xié)同過濾的推薦算法是基于這樣的假設：為一用戶找到他真正感興趣的內容的好方法是首先找到與此用戶有相似興趣的其他用戶，然后將他們感興趣的內容推薦給此用戶。其基本思想非常易于理解，在日常生活中，人們往往會利用好朋友的推薦來進行一些選擇。基于協(xié)同過濾的推薦算法正是把這一思想運用到電子商務推薦系統(tǒng)中來，基于其他用戶對某一內容的評價來向目標用戶進行推薦。

基于協(xié)同過濾的推薦系統(tǒng)可以說是從用戶的角度來進行相應推薦的，而且是自動的，即用戶獲得的推薦是系統(tǒng)從購買模式或瀏覽行為等隱式獲得的，不需要用戶努力地找到適合自己興趣的推薦信息，如填寫一些調查表格等。

基于協(xié)同過濾的推薦算法具有如下優(yōu)點：

能夠過濾難以進行機器自動內容分析的信息，如藝術品、音樂等。

· 共享其他人的經驗，避免了內容分析的不完全和不精確，并且能夠基于一些復雜的，難以表述的概念（如信息質量、個人品位）進行過濾。

· 有推薦新信息的能力?？梢园l(fā)現(xiàn)內容上完全不相似的信息，用戶對推薦信息的內容事先是預料不到的。這也是基于協(xié)同過濾的推薦算法和基于內容的推薦一個較大的差別，基于內容的推薦很多都是用戶本來就熟悉的內容，而基于協(xié)同過濾的推薦可以發(fā)現(xiàn)用戶潛在的但自己尚未發(fā)現(xiàn)的興趣偏好。

· 能夠有效地使用其他相似用戶的反饋信息，減少用戶的反饋量，加快個性化學習的速度。

基于關聯(lián)規(guī)則

基于關聯(lián)規(guī)則的推薦（Association Rule-based Recommendation）是以關聯(lián)規(guī)則為基礎，把已購商品作為規(guī)則頭，規(guī)則體為推薦對象。關聯(lián)規(guī)則挖掘可以發(fā)現(xiàn)不同商品在銷售過程中的相關性，在零售業(yè)中已經得到了成功的應用。

關聯(lián)規(guī)則就是在一個交易數(shù)據(jù)庫中統(tǒng)計購買了商品集X的交易中有多大比例的交易同時購買了商品集y，其直觀的意義就是用戶在購買某些商品的時候有多大傾向去購買另外一些商品。比如購買牛奶的同時很多人會購買面包。

算法的第一步關聯(lián)規(guī)則的發(fā)現(xiàn)最為關鍵且最耗時，是算法的瓶頸，但可以離線進行。其次，商品名稱的同義性問題也是關聯(lián)規(guī)則的一個難點。

基于效用

基于效用的推薦（Utility-based Recommendation）是建立在對用戶使用項目的效用情況上計算的，其核心問題是怎樣為每一個用戶去創(chuàng)建一個效用函數(shù)，因此，用戶資料模型很大程度上是由系統(tǒng)所采用的效用函數(shù)決定的。

基于效用推薦的好處是它能把非產品的屬性，如提供商的可靠性（Vendor Reliability）和產品的可得性（Product Availability）等考慮到效用計算中。

基于知識

基于知識的推薦（Knowledge-based Recommendation）在某種程度是可以看成是一種推理（Inference）技術，它不是建立在用戶需要和偏好基礎上推薦的。

基于知識的方法因它們所用的功能知識不同而有明顯區(qū)別。效用知識（Functional Knowledge）是一種關于一個項目如何滿足某一特定用戶的知識，因此能解釋需要和推薦的關系，所以用戶資料可以是任何能支持推理的知識結構，它可以是用戶已經規(guī)范化的查詢，也可以是一個更詳細的用戶需要的表示。

組合推薦

由于各種推薦方法都有優(yōu)缺點，所以在實際中，組合推薦（Hybrid Recommendation）經常被采用。研究和應用最多的是內容推薦和協(xié)同過濾推薦的組合。

最簡單的做法就是分別用基于內容的方法和協(xié)同過濾推薦方法去產生一個推薦預測結果，然后用某方法組合其結果。盡管從理論上有很多種推薦組合方法，但在某一具體問題中并不見得都有效，組合推薦的一個最重要原則就是通過組合來避免或彌補各自推薦技術的弱點。

在組合方式上，有研究人員提出了七種組合思路。

加權（Weight）：加權多種推薦技術結果。

變換（Switch）：根據(jù)問題背景和實際情況或要求決定變換采用不同的推薦技術。

混合（Mixed）：同時采用多種推薦技術給出多種推薦結果，為用戶提供參考。

特征組合（Feature Combination）：組合來自不同推薦數(shù)據(jù)源的特征被另一種推薦算法所采用。

層疊（Cascade）：先用一種推薦技術產生一種粗糙的推薦結果，第二種推薦技術在此推薦結果的基礎上進一步做出更精確的推薦。

特征擴充（Feature Augmentation）：將一種技術產生附加的特征信息嵌入另一種推薦技術的特征輸入中。

元級別（Meta-Ievel）：用一種推薦方法產生的模型作為另一種推薦方法的輸入。