1、推荐系统涉及的知识
电子商务业务知识、网站架构运营、机器学习算法、数学建模、大数据平台…
2、推荐系统涉及的常见算法
聚类、关联模式挖掘、大规模矩阵运算、文本挖掘、复杂网络和图论计算等…
3、推荐系统分类
Ⅰ、基于应用领域分类
代码语言：javascript复制 电子商务推荐系统、社交好友推荐系统、搜索引擎推荐系统、信息内容推荐系统......Ⅱ、基于设计思想分类
代码语言：javascript复制 基于协同过滤的推荐系统、基于内容的推荐系统、基于知识的推荐系统、混合推荐系统......Ⅲ、基于使用何种数据分类
代码语言：javascript复制 基于用户行为的推荐系统、基于用户标签的推荐系统、基于社交网络数据的推荐系统、基于上下文信息的推荐系统......4、实现协同过滤的步骤
代码语言：javascript复制 ①收集用户偏好数据，如评分、投票、转发、评论、点击流等数据
②找到相似用户或物品
③计算推荐结果基于用户行为数据设计的推荐算法一般称为协同过滤算法，实现方法有基于邻域、基于隐语义模型、基于图的随机游走算法等，目前使用最多的是基于邻域的推荐算法，基于邻域的推荐算法又分为基于物品推荐算法和基于用户推荐算法。
实现基于邻域的算法思路举例：
代码语言：javascript复制 推荐数据准备：用户id、物品id、偏好值 --- 把数据看成空间中的向量
(1)建立物品的同现矩阵
(2)建立用户对物品的评分矩阵
(3)矩阵计算推荐结果 --- 推荐结果 = 同现矩阵*评分矩阵相似度计算：皮尔逊相关系数、欧式距离、同现相似度、余弦夹角…
邻域的圈定：固定数量的邻居、基于相似度门槛的邻居…
考虑因素：推荐算法选型、数据量、算法检验、结果解读…
算法评估：查准率、召回率（查全率）…
5、Mahout – Hadoop的子项目
Mahout中推荐算法支持单机算法和分布式算法两种，Mohout的推荐系统引擎分为5个模块：
代码语言：javascript复制 数据模型 -- DataModel
相似度计算 -- Similanity
近邻算法 -- Neighborhood
推荐算法 -- Recommender
算法评分器 6、数据挖掘 – 关联规则挖掘
代码语言：javascript复制 挖掘数据集
频繁模式
挖掘目标
关联规则
支持度
置信度...Apriori算法：
代码语言：javascript复制 ①找出所有频繁项集
②由频繁项集产生强关联规则提高Apriori算法的效率：
代码语言：javascript复制基于散列的算法
基于FP tree的算法7、基于内容的推荐算法
基于内容的推荐算法常见的有根据商品属性和分类进行推荐、根据用户标签进行推荐、基于隐语义的推荐算法等。
基于内容的推荐算法原理是用户喜欢和关注过的item在内容上类似的item,可以通过计算item相似度进行推荐。
代码语言：javascript复制 物品i与物品j的相似度公式为：
Wij = N(i)∩N(j) / √ |N(i)|*|N(j)|
N(i)和N(j)分别为喜欢物品i和j的人数，N(i)∩N(j)则是同时喜欢物品i和j的人数；8、基于模型的推荐算法
通过预先设定的计算模型来实现推荐，常用于实时推荐；
9、ALS矩阵分解模型
可以将打分理解为相似度，打分矩阵A(mn)就可以由用户喜好特征矩阵U(mk)和产品特征矩阵V(n*k)的乘积UV来近似表达，这种方式成为概率矩阵分解算法（PMF）。
交替最小二乘法是PMF在数值计算方面的应用，为了使低秩矩阵U和V的乘积更加接近A，需要4最小化平方误差损失函数，优化方法有通过交叉最小二乘法或随机梯度下降法(SGD)求出最小误差。
10、关联规则之FPGrowth算法
使用场景 – 用于发现频繁项集，比如啤酒和尿布；
基本概念：
代码语言：javascript复制 T*:代表一次购物
项集：项的集合
支持度：项出现的次数或频率
