第2章 利用用户行为数据
2.4 基于邻域的算法
2.4.1 基于用户的协同过滤算法
（1）找到和目标用户兴趣相似的用户集合
（2）找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户
2.4.2 基于物品的协同过滤算法
（1）计算物品之间的相似度
（2）根据物品的相似度和用户的历史行为给用户生成推荐列表
2.5 隐语义模型
2.6 基于图的模型
第3章 推荐系统冷启动问题
3.1 冷启动问题简介
三类问题：用户冷启动，物品冷启动，系统冷启动
解决方案：提供非个性化的推荐、利用用户注册信息、利用用户社交网络信息、用户登录时的物品反馈、新物品内容信息、专家知识。
3.2 利用用户注册信息
3.3 选择合适的物品启动用户的兴趣
3.4 利用物品的内容信息
3.5 发挥专家的作用
第七章 推荐系统实例
7.1 外围架构
推荐系统界面的共性：1、通过一定方式展示物品，主要包括物品的标题、缩略图和介绍等；2、很多推荐系统提供推荐的理由，理由可增加用户对推荐系统的信任度 3、推荐界面还需提供一些按钮让用户对推荐结果进行反馈，以便不断改旱用户的个性化推荐体验。