Recommender Systems引言

　　我想站在大神肩膀上...貌似是计算所的一个小伙伴...
　　总结的很好，看得出来有一定的功底....
　　不过对于自己看过了的东西，就不愿意再翻看第二遍了。恰好这本书和项亮那本很像，就直接看这本书了。顺便记记笔记，贴到这里，供更多人参考。

一. 协同过滤的推荐

　　基本思想：用户在过去有相同的偏好，e.g. 他们浏览或者买过相同的书，那么他们在未来也有相似的偏好。

　　关键问题：

　　（1）如何发现相似用户

　　（2）如何衡量相似度

　　（3）冷启动问题

　　（4）是否还有别的信息可以利用

二. 基于内容的推荐

　　推荐的两个目的：（1）激发用户去选择某个物品或者做某件事情——例如，诱惑用户买一本书；（2）解决信息过载问题——例如说新闻推荐，用户本身就是要看，只不过新闻太多或者找起来麻烦，最好能把用户想看的直接给他呈现出来，省得他找。

　　其中第二个目的和信息过滤、信息检索领域很接近。而基于内容的推荐，本质上也是基于信息检索领域的方法。

　　基于内容推荐的核心问题：如何得到物品的描述（无论是人工生成还是自动抽取）。进一步，用户对物品的行为，也能够转化成用户对物品的“描述”，积累之后，用户本身也相当于一个物品。借用信息检索的思路，将用户看作是一个query，那么和这个query相似的物品，排序之后，就是推荐给用户的物品。

　　关键问题：
　　（1）如何获取并不断更新用户的记录
　　（2）物品和用户之间的相似度计算
　　（3）如何自动抽取物品描述
　　优点：

　　（1）不需要大规模的用户（像协同过滤）就能够得到物品之间的关系
　　（2）一旦获得物品的属性就能够立刻推荐该物品给用户

三. 基于知识的推荐

　　某些领域中，例如消费电子领域（e.g.买手机），绝大多数的数据是单次购买记录。如果套用上述两种方法，由于数据过于稀疏，甚至无法获得推荐结果。如果我们在此种情况下还要给用户推荐的话，怎么办？

　　基于知识（规则、推理）的推荐方法，需要人把一些领域知识（如：规则）加入到系统当中。

　　参考文献http://blog.csdn.net/xceman1997/article/details/41686145