目录
推荐系统根据对数据的操作， 可以分为以下四类： 基于人口统计学的推荐 ， 基于内容的推荐 ，基于关联规则的推荐 ，基于协同过滤算法的推荐
一、基于人口统计学的推荐
基于人口统计学的推荐方法非常常见， 当用户在网站注册时， 网站会让用户填写
基本信息（年龄、 性别、 出生地等等） ， 然后分析不同用户的基本信息， 考虑用户之
间的相关程度， 从而向用户进行推荐。
如图所示， 用户 A 和用户 C 性别相同年龄相仿， 基于人口统计的推荐算法
认为这两个用户兴趣相似， 推荐系统则将用户 A 喜欢的物品 B 推荐给用户 C， 而用
户 B 无论年龄还是性别都与用户 C 没有相似性， 则用户 B 喜欢的物品 B 和物品 C 不
会推荐给用户 C。 基于人口统计学的推荐算法不存在“冷启动”问题， 但是它的推荐结
果十分依赖用户数据的准确性， 现实生活中， 很多用户不会再网上填写真实个人信息，
基于人口统计学的推荐算法效果并不显著， 在实际应用中已经很少见了。
二、 基于内容的推荐
基于内容的推荐也叫做基于项目属性的推荐。 从上一章节可以知道， 基于人口的
推荐算法是讨论两个用户的是否相似， 反过来想如果两个物品 A 和 B 十分相似， 是
否可以将物品 B 推荐给喜欢物品 A 的用户呢？ 答案是肯定的， 这就是基于内容推荐
算法的工作原理。
基于内容的推荐算法工作原理
以电影推荐为例， 介绍基于内容推荐算法原理。 用户 A 喜欢电影 A， 电影
A 的属性标签是爱情、 浪漫。 用户 B 和用户 C 喜欢电影 B， 电影 B 的属性是恐怖、
惊悚。 现在有一部电影 C， 它的属性标签是爱情、 浪漫。 电影 C 与电影 A 属性相似，
将电影 C 推荐给喜欢电影 A 的用户 A， 用户 B 和用户 C 则不推荐。
三、 基于关联规则的推荐
电商网站的购物车就是使用基于关联的推荐来实现的， 关联规则推荐十分容易理
解， 在购物过程中， 大多数购买面包的客人也会购买牛奶， 那么推荐系统可以认为面
包和牛奶具有关联性。 当一个用户购买牛奶时， 系统会自动给其推荐面包作为搭配。
四、基于协同过滤的推荐
1、基于用户的协同过滤推荐算法
基于用户的协同过滤推荐算法： 即 K 最近邻协同过滤算法。 该算法把用户对应
的项目当作用户的属性， 计算用户之间的相似度。
2、基于项目的协同过滤算法
基于项目的协同过滤算法同样要计算项目相似度。 项目相似性表示两个不同项目
之间的相似程度， 如果两个不同的用户对两个项目的共同评分趋向一致， 说明他们对
这两个项目感兴趣程度也趋向一致。 与用户相似度计算类似， 项目相似度先计算目标
项目和邻居项目的相似度， 把用户对项目的评分作为项目属性， 而不考虑项目本身的
属性（颜色、 品种、 年份等等） ， 如果大多数用户对两个项目评分非常接近， 可以认
为这两个项目的相似度非常高。
3、Slope one 推荐算法
Slope one也是一种协同过滤推荐算法， 与基于用户的协同过滤算法和基于项目的
协同过滤算法一样， 它依赖于用户数据和项目数据。 Slope one算法的原理十分简单，
有三个用户， 用户A、 用户B、 用户X， 三个用户都对商品A打分， 其中用户A和用户
B还对商品B打分了， 联系三个用户的打分规律， 可以使用Slope one算法预测用户X
对商品B的评分。