推荐系统的目的
1、信息过载
2、推荐系统
推荐系统是信息过载所采用的措施，面对海量的数据信息，从中快速推荐出符合用户特点的物品。解决一些人的“选择恐惧症”；面向没有明确需求的人。
解决如何从大量信息中找到自己感兴趣的信息。
剞劂如何让自己生产的信息中脱颖而出，收到大众的喜爱。
3、让用户更快更好的获取到自己需要的内容。（用户）
4、让内容更快更好的推送到喜欢它的用户手中。（内容）
5、让网站，平台更有效的保留用户资源。（网站）
推荐系统的应用
个性化音乐、电子商务、电影视频、社交网络、个性化阅读、证券、理财、个性化旅游、个性化广告、个性化邮件、位置服务等等。。。
推荐系统的基本思想
1、利用用户和物品的特征信息，给用户推荐那些具有用户喜欢的特征的物品。
2、利用用户喜欢过的物品，给用户推荐与他喜欢过的物品相似的物品。
3、利用和用户相似的其他用户，给用户推荐那些和他们兴趣爱好相似的其他用户喜欢的物品。
（1）知你所想，精准推送
利用用户和物品的特征信息，给用户推荐那些具有用户喜欢的特征的物品
（2）物以类聚
利用用户喜欢过的物品，给用户推荐与他喜欢过的物品相似的物品
（3）人以群分
利用和用户相似的其他用户，给用户推荐那些和他们兴趣爱好相似的其他用户喜欢的物品
推荐系统的分析数据
1、要推荐物品或内容的元数据，例如关键字，分类标签，基因描述等。
2、系统用户的基本信息，例如性别，年龄，兴趣标签等。
3、用户的行为数据，可以转化为对物品或者信息的偏好，根据应用本身的不同，可能包括用户对物品的评分，用户查看物品的记录，用户的购买记录等。这些用户的偏好信息可以分为两类：
-- 显式的用户反馈：这类是用户在网站上自然浏览或者使用网站以外，显式的提供反馈信息，例如用户对物品的评分，或者对物品的评论。
-- 隐式的用户反馈：这类是用户在使用网站时产生的数据，隐式的反应了用户对物品的喜好，例如用户购买了某个物品，用户查看了某物品的信息。
推荐系统的分类
1、根据实时性分类
-- 离线推荐
-- 实时推荐
2、根据推荐是否个性化分类
-- 基于统计推荐
-- 个性化推荐
3、根据推荐原则分类
-- 基于相似度的推荐
-- 基于知识的推荐
-- 基于模型的推荐
4、根据数据源分类
-- 基于人口统计学的推荐
-- 基于内容的推荐
-- 基于协同过滤的推荐
推荐算法
1、基于人口统计学的推荐
2、基于内容的推荐
3、基于协同过滤的推荐
4、混合推荐
实际网站的推荐系统往往都不是单纯只采用了某一种推荐的机制和策略，往往是将多个方法混合在一起，从而达到更好的推荐效果。比较流行的组合方法有：
加权混合：
用线性公式将几种不同的推荐按照一定权重组合起来，具体的值需要在测试数据集上反复实验，从而达到最好的推荐效果。
切换混合：
切换的混合方式，就是允许在不同的情况（数据量，系统运行状况，用户和物品的数目等）下，选择最为合适的推荐机制计算推荐。
分区混合：
采用多种推荐机制，并将不同的推荐结果分不同的区显示给用户。
分层混合：
采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐。