目錄
推薦系統根據對數據的操作， 可以分爲以下四類： 基於人口統計學的推薦 ， 基於內容的推薦 ，基於關聯規則的推薦 ，基於協同過濾算法的推薦
一、基於人口統計學的推薦
基於人口統計學的推薦方法非常常見， 當用戶在網站註冊時， 網站會讓用戶填寫
基本信息（年齡、 性別、 出生地等等） ， 然後分析不同用戶的基本信息， 考慮用戶之
間的相關程度， 從而向用戶進行推薦。
如圖所示， 用戶 A 和用戶 C 性別相同年齡相仿， 基於人口統計的推薦算法
認爲這兩個用戶興趣相似， 推薦系統則將用戶 A 喜歡的物品 B 推薦給用戶 C， 而用
戶 B 無論年齡還是性別都與用戶 C 沒有相似性， 則用戶 B 喜歡的物品 B 和物品 C 不
會推薦給用戶 C。 基於人口統計學的推薦算法不存在“冷啓動”問題， 但是它的推薦結
果十分依賴用戶數據的準確性， 現實生活中， 很多用戶不會再網上填寫真實個人信息，
基於人口統計學的推薦算法效果並不顯著， 在實際應用中已經很少見了。
二、 基於內容的推薦
基於內容的推薦也叫做基於項目屬性的推薦。 從上一章節可以知道， 基於人口的
推薦算法是討論兩個用戶的是否相似， 反過來想如果兩個物品 A 和 B 十分相似， 是
否可以將物品 B 推薦給喜歡物品 A 的用戶呢？ 答案是肯定的， 這就是基於內容推薦
算法的工作原理。
基於內容的推薦算法工作原理
以電影推薦爲例， 介紹基於內容推薦算法原理。 用戶 A 喜歡電影 A， 電影
A 的屬性標籤是愛情、 浪漫。 用戶 B 和用戶 C 喜歡電影 B， 電影 B 的屬性是恐怖、
驚悚。 現在有一部電影 C， 它的屬性標籤是愛情、 浪漫。 電影 C 與電影 A 屬性相似，
將電影 C 推薦給喜歡電影 A 的用戶 A， 用戶 B 和用戶 C 則不推薦。
三、 基於關聯規則的推薦
電商網站的購物車就是使用基於關聯的推薦來實現的， 關聯規則推薦十分容易理
解， 在購物過程中， 大多數購買麪包的客人也會購買牛奶， 那麼推薦系統可以認爲面
包和牛奶具有關聯性。 當一個用戶購買牛奶時， 系統會自動給其推薦麪包作爲搭配。
四、基於協同過濾的推薦
1、基於用戶的協同過濾推薦算法
基於用戶的協同過濾推薦算法： 即 K 最近鄰協同過濾算法。 該算法把用戶對應
的項目當作用戶的屬性， 計算用戶之間的相似度。
2、基於項目的協同過濾算法
基於項目的協同過濾算法同樣要計算項目相似度。 項目相似性表示兩個不同項目
之間的相似程度， 如果兩個不同的用戶對兩個項目的共同評分趨向一致， 說明他們對
這兩個項目感興趣程度也趨向一致。 與用戶相似度計算類似， 項目相似度先計算目標
項目和鄰居項目的相似度， 把用戶對項目的評分作爲項目屬性， 而不考慮項目本身的
屬性（顏色、 品種、 年份等等） ， 如果大多數用戶對兩個項目評分非常接近， 可以認
爲這兩個項目的相似度非常高。
3、Slope one 推薦算法
Slope one也是一種協同過濾推薦算法， 與基於用戶的協同過濾算法和基於項目的
協同過濾算法一樣， 它依賴於用戶數據和項目數據。 Slope one算法的原理十分簡單，
有三個用戶， 用戶A、 用戶B、 用戶X， 三個用戶都對商品A打分， 其中用戶A和用戶
B還對商品B打分了， 聯繫三個用戶的打分規律， 可以使用Slope one算法預測用戶X
對商品B的評分。