1.前言

推荐系统存在的目的是根据以往的数据给出推荐。这里简要总结下推荐系统使用方法，万一以后要用到推荐算法，可以将这几类算法作为入口进行研究。

2.基于近邻的协同过滤推荐算法

1）寻找相似邻居（相似的用户，相似的物品）：相似性度量包括欧式相似性度量，皮尔逊相似性度量，谷本相似性度量，对数相似性度量等等。

2）根据邻居集合进行评分预测

可参看

a.推荐系统常用Similarity介绍

b. 18种和“距离(distance)”、“相似度(similarity)”相关的量的小结

c.[推荐算法]基于用户的协同过滤算法

3.基于矩阵分解的推荐系统

1）认为用户的兴趣由少数几个因素决定

2）将稀疏高维的打分矩阵分解为两个低维矩阵

3）优点——准确性高；缺点——模型训练费时，推荐结果不具有可解释性

具体可参看

a.矩阵分解在推荐系统中的应用

b.贝叶斯概率矩阵分解理解

c. 基于概率的矩阵分解原理详解（PMF）

4.基于二部图的CF推荐算法

物质扩散和热传导的复杂网络动力学的启发

可参看

a.标签传播算法（Label Propagation）及Python实现

b.Zhou T, Kuscsik Z, Liu J G, et al. Solving the apparent diversity-accuracy dilemma of recommender systems[J]. Proceedings of the National Academy of Sciences, 2010, 107(10): 4511-4515.

5.基于pairwise排序的CF推荐算法

针对目标用户的预测项目对的偏序关系并通过排序融合产生排序列表