推荐系统的主要分类

推荐的大致方式：
购买该商品的用户还购买了。。。
与该商品类似的商品。。。
你可能认识的其他用户。。。
和你类似的其他用户。。。

基于项目分析：与特定商品相似的商品
基于用户分析：找出与特定用户相似的用户，（类似的用户资料，购买，浏览历史等），然后将相同的商品推荐给类似的用户

这两种方法都需要有一个相似矩阵的计算，基本方法有3种：

协同计算：
基于用用户评级和其他用户的行为，用相似行为的用户喜好与购买商品进行推荐。（人的口味会变吗？过去喜欢类型的电影，现在是否还喜欢）
（需要大量的数据，第一个版本中不能有）
（觉得这样是不是还有问题，如果就评分而言，用的用户比较苛刻，而有的用户比较宽容，简单来说，豆瓣用户和猫眼用户对同一部电影的态度一样，但是评分也可能不一样）

基于内容的过滤：
使用属性描述商品，（类目，品牌，价格，尺码，颜色，图片。。。。。。），然后找出类似的商品，可以用余弦距离或者皮尔逊相关系数，测量商品的距离（相似度）
然后将用户资料输入方程式，鉴于用户喜欢的类型进行反馈。引入权重来指示商品属性的重要程度（是否用信息增益来确定权重？）
用户购买第一个商品之后，就可以进行反馈了。

混合方法：
对应项目的不同，也许会有不同的推荐方式，用户购买了java书的情况，也许可以再推荐其他java书（内容），但在购买奶瓶的情况下，推荐奶粉似乎更好（协同）。
混合使用的情况下，先用协同计算出相似用户的搜索和购买商品，然后根据内容分析给出这些商品对应更加热门的商品？
（加权混合，切换混合，分区混合。。。。。。）

利用与探索：
利用：根据对用户已有的了解，推荐项目给用户
探索：向用户展示一些新奇的物品，带上一点探索的特征。（根据协同计算？或者单单推荐几个评价很好的商品？）