1.基于内容推荐
基于内容推荐根据用户的历史行为日志来推荐的一种算法。比如根据用户的点击和播放行为，收藏和点赞动作这些历史行为数据来给用户推荐感兴趣的数据。
以短视频举例子，根据用户的播放,点赞，收藏这些行为。我们可以计算出这个用户的喜欢看的视频，这个用户喜欢看视频对应的标签。然后我们可以给用户推荐喜欢看视频的相似视频，根据用户喜欢看视频的标签，我们可以给用户推荐这个标签相关的视频。我们也可以围绕这个用户本身的信息，比如性别，地域，年龄这些信息，给用户推荐相关的视频。内容推荐是围绕用户的行为和用户本身的信息展开的一种推荐算法，所以推荐的结果和用户具有很强的相关性。
2.协同过滤推荐
协同过滤推荐是根据"物以类聚，人以群分"这个思想来为用户提供的个性化推荐。具体来说，"人以群分"就是找到与用户兴趣相似的用户，将这些兴趣相似的用户的感兴趣的物品但又不是目标推荐用户当前的兴趣物品推荐给用户。说白点，你们有很多兴趣相似点，那么兴趣可能差不多，相似用户喜欢的东西也很大概率是目标用户也会喜欢的东西。"物以类聚"是说如果很多用户都喜欢某两个物品，说明这两个物品是有很大的相似点，那么我们可以给喜欢其中一个物品的用户推荐另一个物品。协同过滤推荐强调的是相似性，人相似，物品相似。如何找到之前的相似性呢，比如人以群分是根据用户的历史行为日志来判断两个用户是否相似，物以类聚是根据大量用户的行为来提取物品的相似度。所以核心也是围绕着人的行为日志来推荐，只不过是推荐的维度不局限于当前这个用户的兴趣，户扩展到相似用户兴趣的推荐，相似物品的推荐。所以基于内容的推荐是倾向于垂直推荐，基于协同过滤推荐更倾向于横向推荐。
3.基于模型推荐
基于用户行为记录，用户信息，物品信息，构建算法模型，预测用户的偏好。基于模型推荐需要事先构建好一组模型，然后根据用户的行为特征和用户属性等一些特征输入到模型，模型根据这些特征计算出用户喜欢的内容。
基于基于内容推荐和协同过滤推荐实现相对简单，效果也很不错，在业界也得到了大规模的应用。
