总结一下自己对推荐系统的学习和理解，帮助大家在10分钟内了解一个推荐系统专题。

专题如下：

1、好的推荐系统有什么标准？

2、协同过滤推荐

3、基于内容的推荐

4、基于深度学习的推荐

推荐系统是基于用户属性和物品属性利用网站/APP向客户主动提供信息和建议，帮助用户决定应该购买什么产品，浏览什么信息。

推荐算法大致可以分为以下几种：

1 基于流行度的算法

基于流行度的算法非常简单粗暴，类似于各大新闻、微博热榜等，根据PV、UV、日均PV或分享率等数据来按某种热度排序来推荐给用户。

2 协同过滤算法

基于相似用户和相似物品推荐给用户

cf 存在问题：

1. 冷启动问题。当有一名新用户或者新物品进入系统时，推荐将无从依据；【可以结合流行度和内容算法】
2. 在一些item生存周期短（如新闻、广告）的系统中，由于更新速度快，大量item不会有用户行为，造成行为矩阵稀疏【引入隐语义模型解决稀疏问题】

3 基于内容的算法

基于用户的属性，物品的属性建立用户画像和物品画像，基于画像之间的相似度，向用户进行物品的推荐。

里面涉及到用户和物品的分类，聚类，标签。

4、基于知识的推荐

通过知识约束或者变更约束，进行推荐，例如搜索1990-2000的科幻电影 -> 2000年到2010年的科幻电影

关联性推荐： 例如 卡拉扬 会有 其他古典大师的推荐

关联规则挖掘-

​ 支持度· XY / total 同时出现XY 的次数在所有交易中的比例

​ 频繁集 - 支持度大于 0.3为频繁集

​ 置信度： count(XY) / count(X) , 包含XY和仅仅包含X 的比例

​ Apriori 算法： 通过迭代的方法找出所有频繁项，利用频繁项构造最小置信度

关联规则推荐：由X 推出Y

5 深度学习模型

1、Youtube DNN

2、DSSM Deep Structured Semantic Models

3、TDM 兴趣树 Tree-based Deep Model

4、RNN序列召回

5、DeepFM