转移
相对于搜索引擎的一种连接信息与人的方式。将推荐引擎看作黑盒，输入物品信息，输入用户信息，输出匹配关系。
如果你现在想看个电影，但你不知道具体看哪部，你会怎么做？大部分的人会问问周围的朋友，看看最近有什么好看的电影推荐，而我们一般更倾向于从口味比较类似的朋友那里得到推荐
推荐应该说分为两类：个性化推荐和非个性化推荐，“让全局优秀的内容被大家看到”应该算是非个性化推荐，基于人口统计信息的推荐，颗粒较为粗，热门榜单/最多观看这类方法可以简单解决这个问题；不同的人对于“好”的理解不一样，换句话说也就是偏好不同，所以推荐新加入的好内容我认为是个性化推荐问题。个性化推荐的两个主要思想八个字概括之：物以类聚、人以群分。
1、基于物品和用户的推荐模型。对物品（用户）建模，通常是标签或关键字，量化求解邻居进行推荐。基于用户的 CF（User CF）、基于物品的 CF（Item CF）。
（基于用户的邻居推荐方式）假设用户 A 喜欢物品 A，物品 C，用户 B 喜欢物品 B，用户 C 喜欢物品 A ，物品 C 和物品 D；从这些用户的历史喜好信息中，我们可以发现用户 A 和用户 C 的口味和偏好是比较类似的，同时用户 C 还喜欢物品 D，那么我们可以推断用户 A 可能也喜欢物品 D，因此可以将物品 D 推荐给用户 A。
（基于物品的邻居推荐方式）假设用户 A 喜欢物品 A 和物品 C，用户 B 喜欢物品 A，物品 B 和物品 C，用户 C 喜欢物品 A，从这些用户的历史喜好可以分析出物品 A 和物品 C 时比较类似的，喜欢物品 A 的人都喜欢物品 C，基于这个数据可以推断用户 C 很有可能也喜欢物品 C，所以系统会将物品 C 推荐给用户 C。
每首歌有超过 100 个元数据特征，包括歌曲的风格，年份，演唱者等等。
2、基于关联规则的推荐模型。发现用户与物品之间的关联关系。协同过滤推荐。
3、基于模型的推荐模型，机器学习的方式，训练用户喜好模型。
推荐模型与具体场景关系很大。物品数目与用户数目的关系也是其中的因素之一。
现行的推荐往往不是单纯用一种推荐模型，而是多种方式混合。1、加权的混合（Weighted Hybridization）: 用线性公式（linear formula）将几种不同的推荐按照一定权重组合起来，具体权重的值需要在测试数据集上反复实验，从而达到最好的推荐效果。2、切换的混合（Switching Hybridization）：前面也讲到，其实对于不同的情况（数据量，系统运行状况，用户和物品的数目等），推荐策略可能有很大的不同，那么切换的混合方式，就是允许在不同的情况下，选择最为合适的推荐机制计算推荐。3、分区的混合（Mixed Hybridization）：采用多种推荐机制，并将不同的推荐结果分不同的区显示给用户。其实，Amazon，当当网等很多电子商务网站都是采用这样的方式，用户可以得到很全面的推荐，也更容易找到他们想要的东西。4、分层的混合（Meta-Level Hybridization）: 采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐。
亚马逊推荐机制：
（ 在做推荐时，设计和用户体验也做得特别独到：1、基于社会化的推荐，Amazon 会给你事实的数据，让用户信服，例如：购买此物品的用户百分之多少也购买了那个物品；2、基于物品本身的推荐，Amazon 也会列出推荐的理由，例如：因为你的购物框中有 ***，或者因为你购买过 ***，所以给你推荐类似的 ***）
今日推荐 (Today's Recommendation For You): 通常是根据用户的近期的历史购买或者查看记录，并结合时下流行的物品给出一个折中的推荐。
新产品的推荐 (New For You): 采用了基于内容的推荐机制 (Content-based Recommendation)，将一些新到物品推荐给用户。在方法选择上由于新物品没有大量的用户喜好信息，所以基于内容的推荐能很好的解决这个“冷启动”的问题。
捆绑销售 (Frequently Bought Together): 采用数据挖掘技术对用户的购买行为进行分析，找到经常被一起或同一个人购买的物品集，进行捆绑销售，这是一种典型的基于项目的协同过滤推荐机制。
别人购买 / 浏览的商品 (Customers Who Bought/See This Item Also Bought/See): 这也是一个典型的基于项目的协同过滤推荐的应用，通过社会化机制用户能更快更方便的找到自己感兴趣的物品。
相似度计算：欧几里得空间距离，欧几里得向量夹角，皮尔逊相关系数，Cosine 相似度（也被广泛应用于计算文档数据的相似度），Tanimoto 系数（也称为 Jaccard 系数，是 Cosine 相似度的扩展，也多用于计算文档数据的相似度）
邻居算法：固定数量的邻居，不论邻居的“远近”，只取最近的 K 个，作为其邻居；固定距离范围内的邻居，落在以当前点为中心，距离为 K 的区域中的所有点都作为当前点的邻居，这种方法计算得到的邻居个数不确定，但相似度不会出现较大的误差。
某种协同过滤算法：
潜在因子算法（Latent Factor）。
这种算法的思想是这样：每个用户（user）都有自己的偏好，比如A喜欢带有小清新的、吉他伴奏的、王菲等元素（latent factor），如果一首歌（item）带有这些元素，那么就将这首歌推荐给该用户，也就是用元素去连接用户和音乐。每个人对不同的元素偏好不同，而每首歌包含的元素也不一样。
对于用户，定义潜在因子矩阵Q：（0为不喜欢，1为喜欢）
张三：小清新0.6，重口味0.8，优雅0.1，伤感0.1，五月天0.7；
对于物品，定义潜在因子矩阵P：
歌曲A：小清新0.9，重口味0.5，优雅0.3，伤感0.6，五月天0.4；
那么张三对音乐A的偏好为0.6*0.9+0.8*0.5+....
每首歌都有自己的偏好值。偏好值为用户与音乐的关系。
如何得到潜在因子？根据用户的行为。单曲循环=5, 分享=4, 收藏=3, 主动播放=2 , 听完=1, 跳过=-2 , 拉黑=-5。
那么用户的行为建立矩阵表，用户A
音乐a：5；音乐b：空缺；音乐c：空缺；音乐d：3；音乐e：-2；音乐f：-5；音乐g：空缺；音乐h：-2；音乐i：空缺；音乐j：2；
通过给定的矩阵表反推用户矩阵。
