本文来源于阿里云-云栖社区，原文点击这里。
推荐系统，是当今互联网背后的无名英雄。
我们在某宝首页看见的商品，某条上读到的新闻，甚至在各种地方看见的广告，都有赖于它。
昨天，一个名为Stats&Bots的博客详解了构建推荐系统的五种方法。
量子位编译如下：
现在，许多公司都在用大数据来向用户进行相关推荐，驱动收入增长。推荐算法有很多种，数据科学家需要根据业务的限制和要求选择最好的算法。
为了简化这个任务，Statsbot团队写了一份现有的主要推荐系统算法的概述。
协同过滤(Collaborative filtering, CF)及其变体是最常用的推荐算法之一。即使数据科学的新手也可以用它来构建自己的个人电影推荐系统，起码可以写在简历上。
我们想给用户推荐东西，最合乎逻辑方法是找到具有相似兴趣的人，分析他们的行为，并向用户推荐相同的项目。另一种方法是看看用于以前买的商品，然后给他们推荐相似的。
CF有两种基本方法：基于用户的协同过滤和基于项目的协同过滤。
无论哪种方法，推荐引擎有两个步骤：
- 了解数据库中有多少用户/项目与给定的用户/项目相似。
- 考虑到与它类似的用户/项目的总权重，评估其他用户/项目，来预测你会给该产品用户的打分。
我们有每个用户的偏好向量(矩阵R的行)，和每个产品的用户评分向量(矩阵R的列)，如下图所示。
