一、基于用户基本信息推荐demographic-based recommendation

如：领域、职位、工作年龄、性别、所在地

基础推荐之一，基于用户基本信息，推荐其感兴趣或者相关的内容。

二、基于物品／内容基本信息推荐  content-based recommendation

物品／内容的显性属性：领域、主题、类型、来源等

抽取item特征，构建用户兴趣模型（根据用户浏览、喜好、购买等历史），将item特征和用户兴趣模型匹配

优点：可以避免item的冷启动问题（如果对象从来没被推荐过，其他推荐算法很少会去推荐，但是基于内容的推荐算法可以分析对象之间的关系，实现推荐）；推荐可解释；用户独立（推荐只与当前用户自己的兴趣模型有关，避免恶意作弊行为（刷产品排行榜））

缺点：推荐的item可能会重复；对于一些多媒体内容的推荐可能由于难于提取特征而难以推荐（例如音乐、电影、图片等），一种解决方式是人工给这些item打标签；无法挖掘用户潜在兴趣；无法解决冷启动。

三、协同推荐collaborative filtering

1、基于用户的协同推荐：根据用户对item的评分计算用户相似性，生成用户近邻；根据用户近邻评分预测目标用户对项目的评分，选出评分最高的n个推荐给目标用户；

优点：可以推荐非结构化的item，例如音乐、电影等；可以发现用户潜在兴趣；

缺点：用户增多时，用户相似性计算量大，系统效率低；新项目不被推荐；无法解决冷启动（无法计算用户近邻）；推荐结果不可解释

2、基于item的协同推荐：根据用户对item的历史行为（含评分）计算项目相似性，生成近似项目合集；根据用户行为生成推荐列表，例如用户购买了a而推荐b，因为ab经常被一起购买；

优点：可以推荐非结构化的item；可发现用户潜在兴趣；推荐结果可解释；

缺点：项目增多时，相似性计算量大效率低；新项目不被推荐；无法为新用户生成推荐

基于用户和基于被推荐物推荐不需要特别多的数据，比较适合冷启动阶段，而协同推荐是基于大数据。

四、基于关联规则的推荐

发现用户与item之间的关联关系

对于用户建模：基于用户基础数据、第三方数据（如微博登陆）、产品中操作数据（页面停留时间购买评论），建立用户兴趣图谱，标签体系树状结构配上权重；

对于item建模：根据物品类型处理，例如一首歌有超过100个元数据特征，包括歌曲、年代、演唱者等。

每个用户有自己的偏好，如果item带有用户偏好的特征，则推荐之。

五、其他：

混合推荐算法：融合以上方法、以加权或者串联、并联等方式融合；

机器学习或者数据挖掘里的一些方法，例如lr\gbdt\rf；

社交网络里的图结构等