协同过滤算法

传统的协同过滤不考虑side information，把行为数据和side information结合使用，会提升推荐的准确率。
CF的缺点是前期通过阈值过滤了冷门商品，导致在热门商品中推来推去。

memory-based

用行为数据直接计算相似度

基于用户的协同过滤（User-based）算法

pass

基于物品的协同过滤（Item-based）算法

pass

基于模型的协同过滤（Model-based）算法

用行为数据先计算隐向量，用隐向量计算相似用户or物品

• 隐式语义分析（Latent Semantic Analysis, LSA）推荐算法：
  原始矩阵为稀疏矩阵，通过ALS计算出的新矩阵则拥有原始矩阵缺失的值，即预测值
• Spark MLlib中 ALS是LFM算法的其中一种实现
• ALS是一种求解矩阵分解问题的最优化方法

混合CF

（同时考虑了User和Item两个方面），ALS算法也属于User-Item CF