推薦系統分為基於內容、基於CF（基於內存和基於模型）、混合推薦。下面為基於模型的CF推薦系統
一、推薦算法的分類
二、基於模型的推薦算法中的MF--family
三、增量式的SVD算法
參考Incremental Singular Value Decomposition Algorithms for Highly Scalable Recommender Systems
基本思想：
1) 從原始矩陣A中找出對Item=y評過分的所有用戶；
2) 使用降維矩陣，找出對Item=y評過分的與User=x最相近的那個User；
（歐式距離）
3) 從原始矩陣中獲取最相似用戶對Item=y的評分，並把這個評分當做
User=x對Item=y的評分
如果User=x已經在降維矩陣中，則按上面步驟計算；
如果User=x是一個新的用戶，在計算相似度之前，這個新用戶必須沖n維空間投影到k維空間中。
原來的用戶的評分向量Nu(1xn)是在V空間中（n維），將其與Vk矩陣相乘就知道這個用戶向量的坐標，然后根據S進行坐標縮放（同時截取前k個值即可），獲得的坐標就是用戶的評分向量Nu在U空間中的坐標了。
設用戶向量是Nu，投影到U空間后的向量為P
P=𝑁_𝑢×𝑉_𝑘×𝑆_𝑘^(−1)
就可以計算這個用戶（用P向量）與其他用戶（Uk的各行向量）之間的相似度.