电子商务网站是个性化推荐系统重要地应用的领域之一，亚马逊就是个性化推荐系统的积极应用者和推广者，亚马逊的推荐系统深入到网站的各类商品，为亚马逊带来了至少30%的销售额.不光是电商类，推荐系统无处不在。QQ，人人网的好友推荐；新浪微博的你可能感觉兴趣的人；优酷，土豆的电影推荐；豆瓣的图书推荐；大从点评的餐饮推荐；世纪佳缘的相亲推荐；天际网的职业推荐等。
推荐算法分类(按数据使用划分)：
- 协同过滤算法：UserCF, ItemCF, ModelCF
- 基于内容的推荐: 用户内容属性和物品内容属性
- 社会化过滤：基于用户的社会网络关系
基于用户的协同过滤算法UserCF
- 基于用户的协同过滤，通过不同用户对物品的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐。简单来讲就是：给用户推荐和他兴趣相似的其他用户喜欢的物品。 用例说明：
基于物品的协同过滤算法ItemCF
- 基于item的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐。简单来讲就是：给用户推荐和他之前喜欢的物品相似的物品。 用例说明：
- 注：基于物品的协同过滤算法，是目前商用最广泛的推荐算法。
案例：天池大数据竞赛
- 我们会开放如下数据类型：
-
提供的数据量，涉及千万级天猫用户，万级天猫品牌，时间跨度4个月的行为记录。 提供的训练数据在天池集群的表t_alibaba_bigdata_user_brand_total_1中，字段分别为：user_id，brand_id, type, visit_datetime。如图所示
-
用户4种行为类型(Type)对应代码分别为： 点击：0；购买：1；收藏：2；购物车：3
-
数据案例为： Co-occurrence Matrix(同现矩阵)和User Preference Vector(用户评分向量)相乘得到的这个Recommended Vector(推荐向量)的意义
-
理论上这两个东西相乘实现Item Based Cooperative Filtering(基于物品的协同过滤)，通俗的解释： ItemBased：基于物品的（区分于基于用户的）体现在同现矩阵，把所有用户对物品打过分的记录都拿过来，形成一个个反应物品关联度的矩阵Co-occurrence Matrix，下面简称C矩阵。 为什么乘以User Preference Vector用户评分向量就是Recommended Vector(推荐向量)，这个推荐向量又要怎么用呢？ 还是用R的第三项24.5来做一下解释，
-
R3的解释：对于用户U商品103的可推荐度。
-
这点很重要，理解这点就是要知道我们这一系列算法过程在做什么（What）。
-
把R3也就是R103的计算用公式表示如下：
-
R3怎么出来的:从上面可以看到C103i*Ui就是Ui代表用户对i的喜爱度，C103i代表i和103同时出现的次数，i物品和103同时出现得越多C103i越大，用户对i的喜爱度值越大Ui越大，自然R103值就越大，越值得推荐103。
-
R向量里面的R101, R104,R105和R107这三项值很大，但是我们可以忽略它们，因为用户已经对该物品购买过的，也就是已经买个这些了，可以不推荐了，对于用户没有买过的几项里面选出最大(或者TopN)的物品推荐就可以了，
-
上面R102,R103,R106里面选一个最大值103,103就是可以推荐的商品了