1.发掘用户兴趣
1）啤酒和尿布的故事
2）用户行为数据：session log、impression log、click log。这些日志记录了用户的行为：浏览、购买、点击、评分、评论
3）用户行为：显性反馈行为、隐性反馈行为
2.用户行为分析
1）长尾分布：发f(x)=ax^k
2）协同过滤算法：仅仅基于用户行为数据设计的推荐算法。包含：基于邻域（基于用户的协同过滤算法userCF、基于物品的协同过滤算法itemCF）、隐语义模型、基于图的随机游走算法。
3）userCF：给用户推荐和他兴趣相似的其他用户喜欢的物品。计算用户的相似度。Digg在应用，相比较MostPopular算法，准确率和召回率都要高1倍。
4）itemCF：给用户推荐他们喜欢的物品相似的物品。计算物品的相似度。亚马逊、Netflix、Hulu、Youtube在用。与userCF性能差不多。
3.特定场景选择特定的算法
1）个性化新闻推荐：注重热门与时效性，用户看的新闻大多没有传承，可选择userCF。同时新闻更新快，item数量巨大，因此不适合维护item之间的关联矩阵。冷启动：用户对某个物品产生行为之后，不能立即更新推荐，因为用户相似度矩阵更新慢，变化不大。推荐实时性差。
2）电商：物品更新慢，数量有限。客户具有兴趣传承，可选择itemCF，item之间的关联矩阵小。冷启动：用户对某个物品产生行为之后，能立刻获得新的推荐。推荐实时性好。
3）哈利波特问题：加大对热门物品的惩罚。a=0.5，以降低流行度。
4.隐语义模型LFM
1）加大对热门物品的惩罚。a=0.5，以降低流行度。