1、Item based collective filtering

总结：物以类聚

很多网站的核心算法之一

原因：item的增长速度远小于user的增长速度

方法：离线计算item的相似度矩阵供线上使用

缺点：由于基于item的相似性，故推荐的item相似，缺乏多样性

2、user based collective filtering

总结：人以群分

找和用户有相同品味的其他用户

适用范围：item更新频繁的应用

方法：通过相似用户喜欢的item推荐给该用户

缺点：相似用户群比较敏感，要频繁地计算出用户的相似用户矩阵，运算量会非常大。  推荐的大多是大家都喜欢的热门推荐，有点趋于大众化了

3、content based

方法：提取关键词计算相似性      可以提前咨询用户的偏好

好处：没有数据稀疏问题

4、slope one

方法：

Slope One的基本概念很简单, 例子1, 用户X, Y和A都对Item1打了分. 同时用户X,Y还对Item2打了分, 用户A对Item2可能会打多少分呢?

根据SlopeOne算法, 应该是:4 - ((5-3) + (4-3))/2 = 2.5.

优点：简单，快速

5、svd

Singular Value Decomposition（奇异值分解）

总结：擒贼先擒王。 抓主要矛盾，忽略次要矛盾

这个方法是提取一般实矩阵“特征值”的算法，（这里特征值加引号是因为，特征值是针对方阵来定义的，而一般的m*n的实矩阵是没有特征值的。）

将一个m*n的实矩阵和它的转置相乘，就会得到一个方阵，然后对这个方阵做特征值分解，得到的特征值就是所谓的奇异值的平方。

拿到奇异值后，我们就可以抓到主要的成分，丢掉次要和非常次要的成分进行分析。也就是说，我们可以对原来的庞大的常常又非常稀疏的矩阵进行降维和分解，而分解后得到的矩阵都是稠密矩阵。最终我们会得到一个表示user特性的矩阵和一个表示item特性的矩阵。拿到这些数据之后，我们就可以进行推荐了，而且也可以很容易地进行聚类分析。

好处在于，可以解决rating矩阵的稀疏性问题，同时可以降低矩阵的维度，提高运算速度。但它的缺点是付出的空间代价太大

6、聚类算法

这里用到的聚类算法，是用来降低维度以及为并行计算作准备的。

拿到rating矩阵之后，可以通过这些评分将用户自然地聚成几簇，然后用上述的算法对各个簇做推荐算法并行计算，充分地利用好所有计算资源。

当然你也可以在svd分解之后，拿到user和item矩阵之后，对这两个矩阵分别作聚类分析，你可以得到user的簇以及item的簇。这样的结果会非常有意义，你可以作好友推荐，相似item推荐等等。

在基于内容的算法中，因为很多资讯之间并不是那么的相关，把他们都相互计算相似度，会得到很多的0，所以没有必要。因此可以在计算之前，对整个item做个聚类，然后分别对各簇来做相似度计算。

最简单的就是k-means。

7、组合算法

总结：博采众长

任何一个算法都有它独特的优势和固有的缺陷，因此单用一个算法的web应用很少，往往是将各种算法组合起来用。

1：将多种算法计算出来的结果，加权之后排序推荐给用户。

2：将多种算法计算出来的结果，各取前几个推荐给用户，这样做的好处是结果很丰富多彩。

3：用svd算法填充后的矩阵作为输入，用普通cf做计算来输出，然后排序推荐。这种叫做层次推荐，可以得到两种方法的好处。

4：对新用户做基于内容的推荐，因为新用户没有任何评分数据，对老用户用cf来做。

。。。。