基于领域的算法

UserCF：推荐更社会化，反映了用户所在小型兴趣群体中物品的热门程度；
ItemCF：推荐更个性化，反映了用户自己的兴趣传承；

基于用户的协同过滤算法

UserCF主要包括两个步骤：

• 找到和目标用户兴趣相似的用户集合
• 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

可以通过余弦相似度计算用户u、v的兴趣相似度。
但是，直接计算，时间复杂度很大，可以先建立物品到用户的倒排表，再建立矩阵，再得到用户兴趣相似度。
再通过公式计算用户u对物品i的感兴趣程度。
原始的余弦相似度公式较为粗糙，有改进版。

基于物品的协同过滤算法

给用户推荐和他之前喜欢的物品相似的物品。
ItemCF业界应用最多。
UserCF缺点：时间、空间复杂度高；难以对推荐结果进行解释。
步骤：

• 计算物品之间的相似度
• 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

改进1：ItemCF-IUF算法，惩罚活跃用户
改进2：ItemCF-Norm算法，将ItemCF的相似度矩阵按最大值归一化，可以提高推荐的准确率、覆盖率和多样性。
改进3：哈利波特问题，惩罚热门物品

基于LFM隐语义模型

链接

基于人口统计学

链接

基于ALS推荐

常用推荐系统算法分类

• 基于人口统计学的推荐与用户画像
• 基于内容的推荐与特征工程
• 基于协同过滤的推荐