刀还未配，出门已是江湖～～～
上图给出了推荐引擎原理：
数据来源：物品信息、用户信息、用户对物品行为反馈信息推荐引擎：中间作用，多种推荐机制推荐结果：对特定用户，根据推荐算法将物品推荐给用户根据数据源不同，推荐引擎可分为： 1. 根据系统用户基本信息发现用户相关程度，称为基于人口统计学的推荐 2. 根据推荐物品或内容，发现物品间的相关性，称为基于内容的推荐 3. 根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或发现用户的相关性，称为基于协同过滤的推荐
一种易于实现的推荐方法，只是简单的根据用户基本信息发现用户相关程度，然后将相似用户喜爱的其他物品推荐给当前用户
好处：没有冷启动问题，领域独立 坏处：过于粗糙、用户信息不易提取
根据推荐物品或内容的元数据，发现物品或内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品
好处：更加精确推荐 坏处：推荐效果依赖对物品模型的完整和全面程度，并未考虑人对物品的态度，且存在冷启动问题
根据所有用户对物品或者信息的偏好，发现当前用户的口味和偏好相似的“邻居”用户群，一般采用计算“k-邻居”算法；然后，基于k个邻居的历史偏好为当前用户进行推荐
解释： 假设用户A喜欢物品W1,W3 用户B喜欢W2 用户C喜欢W1,W3,W4 从用户历史喜好，发现用户A和用户C口味和偏好类似，且用户C还喜欢物品W4，也可推断用户A可能喜欢物品W4
使用所有用户对物品或者信息的偏好，发现物品和物品之间的相似度，然后根据用户的历史偏好信息，将类似的物品推荐给用户
解释： 假设用户A喜欢物品W1,W3 用户B喜欢W1，W2，W3 用户C喜欢W1 推断：物品W1和物品W3比较相似，喜欢物品W1的人也喜欢物品W3 推荐：将物品W3推荐给用户C
然而，实际应用中采用混合推荐算法
背景：算法是在NetFlix的推荐算法竞赛中获奖的算法，最早被应用于电影推荐中。这种算法在实际应用中比现在排名第一，RMSE小且效率更高。 思想：每个user都有自己的偏好，比如A喜欢带有古风、剧情类等元素即潜在因子。若某首歌带有这些元素，即可将其推荐给这个用户。潜在因子是user和item的桥梁。
一、用户-潜在因子矩阵Q 表示不同用户对于不同元素的偏好程度，0-1从不喜欢到很喜欢
二、潜在因子-音乐矩阵P 表示每种音乐含有各种元素的成分，Latent Factor的成分为此音乐元素的权重大小(0-1)
三、结果 举例：张三对音乐A的喜爱程度=张三对小清新喜好*音乐A中小清新的权重+…
推荐：将音乐中张三已听过的提出，选取评分最高的未推荐的给他
直接获取用户对海量音乐的偏好不太现实，现实只有用户对音乐的行为数据。
实际评分矩阵R：
矩阵值：用户对音乐行为的量化值：单曲循环=5，分享=4，收藏=3，主动播放=2，听完=1，跳过=-2，拉黑=-5
实际上：评价矩阵将非常稀疏，利用UV分解（将上述评价矩阵分解为两个低维度矩阵），用Q和P的乘积评估实际的评分矩阵
计算：利用最优化理论，L2范式+梯度下降法求解QP
解决方案： 1. 提供非个性化推荐：热门排行榜，当数据够时再切换为个性化 2. 利用用户注册提供的信息做粗粒度 3. 利用第三方数据，一般为用户社交网络信息 4. 新用户加入时，引导用户选择一些信息 5. 新物品加入，利用物品内容 6. 系统冷启动，只有请专家来做物品相似度
参考文献： [1] http://www.cnblogs.com/MarsMercury/p/5169071.html
[2] http://blog.csdn.net/zhuhengv/article/details/50441396
