协同过滤–基于用户行为数据
（用户对物品产生的行为：比如评分，喜欢，购买等）
基于领域的算法
基于用户的协同过滤（UserCF）
笔记：针对用户U对物品i的感兴趣程度，先通过余弦相似计算出用户的相似度，取出相似程度最大的K个用户，在这K个用户中，找出对物品i有过行为的用户，将这些用户与用户U的相似度求和。
基于物品的协同过滤（ItemCF）
笔记：计算物品的相似度有很多方法，在隐语义模型中，利用ALS算法训练了一个模型，该模型可以对用户对物品的评分数进行预测（在电影推荐系统中），也可以找出物品的特征向量，然后利用余弦相似度来求物品的相似程度。
基于模型的算法（LFM隐语义模型）
笔记：在模型的求解中，参数是自己定义的，此时并不一定是最优解，可以求出预测数据与实际数据的均方根误差，找到最优的参数数值。
基于内容的推荐–针对物品的数据信息
基于标签（UDG）的推荐
-
尚硅谷：
-
书籍：
-
TF-IDF
笔记：对于新用户或者新物品，标签数量少，为了提高准确率，可以对标签进行扩展。
笔记：用户给物品打标签时，给用户推荐的标签是什么？
基于人口统计学–针对上下文信息
时间上下文信息（实时性）
包含时间信息的用户行为数据集由一系列三元组构成，其中每个三元组(u,i,t)代表了用户u在时刻t对物品i产生过行为。
时间上下文相关的ItemCF算法
时间上下文相关的UserCF算法
230
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
