推荐系统结构
推荐算法是整个推荐系统中最核心和关键的部分，在很大程度上决定了推荐系统类型和性能的优劣。公认的推荐算法基本包括以下几种：
- 基于内容的推荐
- 协同过滤推荐
- 基于知识的推荐
- 混合推荐
基于内容的推荐
- 该方法是根据用户已经选择的对象，从推荐对象中选择其他特征相似的对象作为推荐的结果
- 首先提取推荐对象的内容特征，和用户模型中的用户兴趣偏好匹配，匹配度较高的推荐对象就可作为推荐结果推荐给用户
- 计算推荐对象的内容特征和用户模型中兴趣特征二者之间的相似性是该推荐策略中的一个关键部分
- 计算所得的值按其大小排序，将最靠前的若干个对象作为推荐结果呈现给用户
协同过滤推荐
- 推荐算法中最成功的策略，于20世纪90年代开始研究促进了整个推荐系统研究的繁荣
- 协同过滤推荐一般分为两类：
- 基于用户的协同推荐
- 基于物品的协同推荐
基于用户的协同推荐
基于物品的协同过滤推荐
基于知识的推荐
- 如果把注意力投向其他的领域，比如消费类电子产品，就会涉及大量的单次购买，这就意味着推荐系统无法依赖购买记录
- 此时，系统需要利用额外的因果知识生成推荐
- 在这种基于知识的方法中，推荐系统通常会用到有关当前用户和有效物品的额外信息
混合推荐
- 各种推荐方法都有各自的优缺点，在实际应用中可以针对具体问题采用推荐算法的组合进行推荐
- 目的是通过组合不同的推荐策略，达到扬长避短的目的，从而产生更符合用户需求的推荐
个性化推荐系统的应用
- 在网站中的主要作用是通过分析大量用户行为日志，给不同用户提供不同的个性化页面展示，来提高网站的点击率和转化率
- 所有的推荐系统应用都是由前台的展示页面（UI）、后台的日志系统（数据）以及推荐算法系统（算法）3部分构成的
- 应用领域
- 电子商务（亚马逊）
- 电影和视频网站（Netflix）
- 个性化音乐网络电台
- 社交网络（Facebook）
- 个性化阅读（Google Reader）
- 基于位置的服务
- 个性化邮件和广告
推荐系统测评指标
- 用户满意度
- 预测准确度
- 覆盖率
- 多样性
- 新颖性
- 惊喜度
- 信任度
- 实时性
- 健壮性
- 商业目标