推薦算法大致能夠分為下面幾類
- 基於流行度的算法
- 協同過濾算法（user-based CF and item-based CF）
- 基於內容的算法（content-based）
- 基於模型的算法
- 混合算法
1. 基於流行度的算法
能夠依照一個項目的流行度進行排序，將最流行的項目推薦給用戶。比方在微博推薦中。將最為流行的大V用戶推薦給普通用戶。
微博每日都有最熱門話題榜等等。
算法十分簡單，通過簡單熱度排序就可以。
文章> Predict Whom One Will Follow:Followee Recommendation in Microblogs中推薦好友有一部分採取的策略是Item-popularity.通過計算在訓練集中項目（能夠是人、群組、公眾號）被接受的次數來得到項目的流行度信息。
文章> A Social and Popularity-based Tag Recommender通過結合標簽的流行度和另據意見向用戶推薦標簽。
- 缺點：無法提供個性化推薦
- 長處：算法簡單。對於新注冊的用戶比較有效
- 改進或者新的思路：增加用戶分群的流行度排序。比如把熱榜上的體育內容優先推薦給體育迷。這里能否夠考慮社區發現 聚類等算法？？
2.協同過濾算法
協同過濾算法(Collaborative Filtering, CF)是非經常常使用的一種算法。在非常多電商站點上都實用到。CF算法包含基於用戶的CF(User-based CF)和基於物品的CF(Item-based CF)。
2.1 基於用戶的CF
1、分析各個用戶對item的評價（通過瀏覽記錄、購買記錄等）；
2、依據用戶對item的評價計算得出全部用戶之間的類似度。
3、選出與當前用戶最類似的N個用戶。
4、將這N個用戶評價最高而且當前用戶又沒有瀏覽過的item推薦給當前用戶。
首先我們依據站點的記錄計算出一個用戶與item的關聯矩陣。例如以下，以微博數據為例
圖中，行是不同的用戶，列是全部物品，(x, y)的值則是x用戶對y物品的評分（喜好程度）。我們能夠把每一行視為一個用戶對物品偏好的向量。然后計算每兩個用戶之間的向量距離。這里我們用余弦類似度來算：
然后得出用戶向量之間類似度例如以下，當中值越接近1表示這兩個用戶越類似：
最后，我們要為用戶1推薦物品，則找出與用戶1類似度最高的N名用戶（設N=2）評價的物品，去掉用戶1評價過的物品。則是推薦結果。
基於物品的CF原理大同小異。僅僅是主體在於物品：
1、分析各個用戶對item的瀏覽記錄。
2、依據瀏覽記錄分析得出全部item之間的類似度；
3、對於當前用戶評價高的item。找出與之類似度最高的N個item。
4、將這N個item推薦給用戶。
2、基於物品的CF
計算方式大致同樣。僅僅是關聯矩陣變為了item和item之間的關系，若用戶同一時候瀏覽過item1和item2，則(1,1)的值為1。最后計算出全部item之間的關聯關系例如以下：
對於微博數據集，item能夠指的是被關注者（followee）,而item之間的類似度能夠通過用戶對於item的行為來統計。假設用戶對於item有過行為，則能夠令偏好值為1。針對用戶關注行為列表，能夠通過統計item在用戶關注列表中的共現次數來計算。
長處：算法簡單，一定程度上准確率高
缺點：
1、依賴於准確的用戶評分。
2、在計算的過程中，那些大熱的物品會有更大的幾率被推薦給用戶；
3、冷啟動問題。當有一名新用戶或者新物品進入系統時，推薦將無從依據；
4、在一些item生存周期短（如新聞、廣告）的系統中。因為更新速度快，大量item不會實用戶評分，造成評分矩陣稀疏，不利於這些內容的推薦。
-
-
3 基於內容的算法
大量的語料庫中通過計算（比方典型的TF-IDF算法），我們能夠算出新聞中每個關鍵詞的權重。在計算類似度時引入這個權重的影響，就能夠達到更精確的效果。
利用word2vec一類工具，能夠將文本的關鍵詞聚類，然后依據topic將文本向量化。
如能夠將德甲、英超、西甲聚類到“足球”的topic下。將lv、Gucci聚類到“奢侈品”topic下，再依據topic為文本內容與用戶作類似度計算。
利用word2vec一類工具，能夠將文本的關鍵詞聚類。然后依據topic將文本向量化。如能夠將德甲、英超、西甲聚類到“足球”的topic下，將lv、Gucci聚類到“奢侈品”topic下，再依據topic為文本內容與用戶作類似度計算。
4 基於模型的算法
基於模型的方法有非常多。用到的諸如機器學習的方法也能夠非常深，這里僅僅簡介下比較簡單的方法——Logistics回歸預測。我們通過分析系統中用戶的行為和購買記錄等數據，得到例如以下表：
中的行是一種物品，x1~xn是影響用戶行為的各種特征屬性。如用戶年齡段、性別、地域、物品的價格、類別等等，y則是用戶對於該物品的喜好程度，能夠是購買記錄、瀏覽、收藏等等。通過大量這類的數據，我們能夠回歸擬合出一個函數，計算出x1~xn相應的系數。這即是各特征屬性相應的權重，權重值越大則表明該屬性對於用戶選擇商品越重要。
在擬合函數的時候我們會想到，單一的某種屬性和還有一種屬性可能並不存在強關聯。
比方，年齡與購買護膚品這個行為並不呈強關聯，性別與購買護膚品也不強關聯，但當我們把年齡與性別綜合在一起考慮時，它們便和購買行為產生了強關聯。比方（我僅僅是比方），20~30歲的女性用戶更傾向於購買護膚品，這就叫交叉屬性。通過重復測試和經驗，我們能夠調整特征屬性的組合。擬合出最准確的回歸函數。最后得出的屬性權重例如以下：
基於模型的算法因為高速、准確，適用於實時性比較高的業務如新聞、廣告等。而若是須要這樣的算法達到更好的效果，則須要人工干預重復的進行屬性的組合和篩選，也就是常說的Feature Engineering。
而因為新聞的時效性。系統也須要重復更新線上的數學模型，以適應變化。
5 混合算法
現實應用中，事實上非常少有直接用某種算法來做推薦的系統。
在一些大的站點如Netflix。就是融合了數十種算法的推薦系統。我們能夠通過給不同算法的結果加權重來綜合結果，或者是在不同的計算環節中運用不同的算法來混合，達到更貼合自己業務的目的。