推荐算法

Point 1：推荐算法的应用领域
电子商务网站是个性化推荐系统重要地应用的领域之一，亚马逊就是个性化推荐系统的积极应用者和推广者，亚马逊的推荐系统深入到网站的各类商品，为亚马逊带来了至少30%的销售额。
不光是电商类，推荐系统无处不在。QQ，人人网的好友推荐；新浪微博的你可能感觉兴趣的人；优酷，土豆的电影推荐；豆瓣的图书推荐；大从点评的餐饮推荐；世纪佳缘的相亲推荐；天际网的职业推荐等。

Point 2：推荐算法的分类
按数据使用划分：
· 协同过滤算法：UserCF, ItemCF, ModelCF
· 基于内容的推荐: 用户内容属性和物品内容属性
· 社会化过滤：基于用户的社会网络关系

基于用户的协同过滤算法UserCF
基于用户的协同过滤，通过不同用户对物品的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐。简单来讲就是：给用户推荐和他兴趣相似的其他用户喜欢的物品。
用例说明：

基于物品的协同过滤算法ItemCF
基于item的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐。简单来讲就是：给用户推荐和他之前喜欢的物品相似的物品。
用例说明：

注：基于物品的协同过滤算法，是目前商用最广泛的推荐算法。

Point 3：推荐算法的优缺点对比
性能：
UserCF：
适用于用户较少的场合，如果用户过多，计算用户相似度矩阵的代价交大
ItemCF：
适用于物品数明显小于用户数的场合，如果物品很多，计算物品相似度矩阵的代价交大

领域：
UserCF：
实效性要求高，用户个性化兴趣要求不高
ItemCF：
长尾物品丰富，用户个性化需求强烈

实时性：
UserCF：
用户有新行为，不一定需要推荐结果立即变化
ItemCF：
用户有新行为，一定会导致推荐结果的实时变化

冷启动：
UserCF：
在新用户对少的物品产生行为后，不能立即对他进行个性化推荐，因为用户相似度是离线计算的
新物品上线后一段时间，一旦有用户对物品产生行为，就可以将新物品推荐给其他用户
ItemCF：
新用户只要对一个物品产生行为，就能推荐相关物品给他，但无法在不离线更新物品相似度表的情况下将新物品推荐给用户