常用推荐算法包括以下几种
1.协同过滤算法
1）基于用户的协同过滤算法
2）基于项的协同过滤算法
2.基于矩阵分解的推荐算法
矩阵分解是将一个矩阵分解成两个或多个矩阵的乘积。基于矩阵分解的推荐算法分为2步。
1）对用户商品矩阵分解
2）利用分解后的矩阵预测原始矩阵中的未打分项
3.基于图的推荐算法
基于图的模型（graph−basedmodel ）需要将用户行为数据表示成图的形式。将用户行为数据表示二分图模型后，下面的任务就是在二分图上给用户进行个性化推荐。
4.基于内容的推荐
基于内容的推荐根据用户过去喜欢的物品，为用户推荐和他过去喜欢的物品相似的物品。
5.基于关联规则的推荐
基于关联规则的推荐是根据历史数据统计不同规则出现的关系。例如，购买鞋的顾客，有10%的可能也会买袜子，60%的买面包的顾客，也会买牛奶。这其中最有名的例子就是"尿布和啤酒"的故事了。
6.基于效用的推荐
基于效⽤：基于效⽤的推荐（Utility-based Recommendation）是建⽴在对⽤户使⽤项⽬的效⽤情况上计算的，其核⼼问题是怎样为每⼀个⽤户去创建⼀个效⽤函数，因此，⽤户资料模型很⼤程度上是由系统所采⽤的效⽤函数决定的。
7.基于知识的推荐
基于知识：基于知识的⽅法因它们所⽤的功能知识不同⽽有明显区别。效⽤知识( FunctionalKnowledge)是⼀种关于⼀个项⽬如何满⾜某⼀特定⽤户的知识，因此能解释需要和推荐的关系，所以⽤户资料可以是任何能⽀持推理的知识结构，它可以是⽤户已经规范化的查询，也
可以是⼀个更详细的⽤户需要的表⽰。
8.组合推荐
组合推荐：由于各种推荐⽅法都有优缺点，所以在实际中，组合推荐( Hybrid Recommendation)经常被采⽤。研究和应⽤最多的是内容推荐和协同过滤推荐的组合。
后续将会对算法细节以及代码实现进行详细讲述，欢迎关注。
