目前推荐算法分为四大类：
【1】协同过滤推荐算法
【2】基于内容的推荐算法
【3】流行度推荐算法
这种方法是对item使用某种形式的流行度度量，例如最多的下载次数或购买量，然后向新用户推荐这些受欢迎的item。类似平时经常看到的热门商品、热门推荐类似。
【4】混合推荐算法
混合推荐算法很好理解，就是将其他算法推荐的结果赋予不同的权重，然后将最后的综合结果进行推荐的方法。如：基于用户的协同过滤的权重为40%，基于item的协同过滤的权重为30%，基于内容的过滤技术的权重为30%，然后综合计算得到最终的推荐结果。
由于【3】、【4】较为好理解，开始详细简述下【1】、【2】算法。
基于用户的协同过滤推荐算法
1.寻找偏好相似的用户
示例：模拟了5个用户对两件商品的评分，来说明如何通过用户对不同商品的态度和偏好寻找相似的用户。
评分标准：可以参考浏览商品的次数，向朋友推荐商品，收藏，分享，或评论等等。这些行为都可以表示用户对商品的态度和偏好程度。
2.相似用户的距离
2.1欧几里得距离
描述相似用户，则需要输出距离指标来考量用户间的相似度。欧几里得距离即两点之间的绝对值距离。二维公式为d = sqrt((x1-x2)^+(y1-y2)^) ，可以拓展到更高维。
欧几里德距离，也就是用户间的距离。系数越小表示两个用户间的距离越近，偏好也越是接近。不过这里有个问题，太小的数值可能无法准确的表现出不同用户间距离的差异，因此我们对求得的系数取倒数并做归一化处理，使用户间的距离约接近，数值越大。
2.2皮尔逊相关系数
皮尔逊相关系数的计算方法，即把不同用户对相同item的兴趣度，当做多个向量。向量之间求余弦夹角。最终余弦值肯定是一个在-1与1之间的系数。越靠近正一则呈正相关，否则呈负相关。
3.为相似用户推荐物品
检查之前的相似度列表，发现用户C和用户D和E的相似度较高。换句话说这三个用户是一个群体，拥有相同的偏好。因此，我们可以对用户C推荐D和E的商品。
但这里有一个问题。我们不能直接推荐前面商品1-商品5的商品。因为这这些商品用户C以及浏览或者购买过了,不能重复推荐。
我们提取了用户D和用户E评价过的另外5件商品A—商品F的商品。并通过1.商品被D或者E评分*D或者E与C用户相似度；2.最终相似排序值=得分总计值/相似度总计值，类似加权平均数的该奶奶，得分越高推荐越靠前。
基于内容的协同过滤推荐算法
把刚刚的过程重新算一遍，只是不从用户维度看这些数据，而是通过内容的维度去计算上述过程。
基于模型的协同过滤推荐
基于样本的用户喜好信息，训练一个推荐模型，然后根据实时的用户喜好的信息进行预测，计算推荐。常见的模型计算有：基于矩阵分解、基于贝叶斯网络、基于SVM。
