常用推荐算法简介分析
推荐系统的常用算法原理和实现
推荐系统的常用算法原理和实现推荐系统是将用户的兴趣和需求与商品或服务进行匹配，帮助用户发现他们可能感兴趣的内容。
在实践中，推荐系统使用各种不同的算法来实现这一目标。
以下是一些常见的推荐系统算法原理和实现的介绍。
1. 协同过滤算法（Collaborative Filtering）协同过滤算法是推荐系统中最常见的算法之一、它基于用户和物品之间的关联性来进行推荐。
协同过滤算法可以分为两类：基于用户的协同过滤和基于物品的协同过滤。
基于用户的协同过滤是通过找到与目标用户兴趣相似的其他用户，然后将他们的喜好推荐给目标用户。
基于物品的协同过滤则是找到与目标物品相似的其他物品，并将这些相似物品推荐给目标用户。
2. 基于内容的推荐算法（Content-based Filtering）基于内容的推荐算法是根据用户对物品的历史行为和物品的特征信息来进行推荐。
该算法通过比较用户的兴趣和物品的特征来决定哪些物品是相似的，并推荐相似的物品给用户。
例如，如果一个用户喜欢电影A，基于内容的推荐算法可以找到其他电影，这些电影的类型，演员或导演与电影A相似，然后将这些相似的电影推荐给用户。
3. 矩阵分解算法（Matrix Factorization）矩阵分解算法是一种通过将用户-物品关联矩阵分解为两个低秩矩阵来进行推荐的算法。
通过低秩矩阵的分解，可以发现用户和物品之间的隐含特征，从而预测用户对未知物品的评分。
矩阵分解算法的一个典型应用是在电影推荐系统中，根据用户的评分数据，将用户和电影关联矩阵分解为用户-隐含特征矩阵和电影-隐含特征矩阵。
4. 多臂赌博机算法（Multi-Armed Bandit）多臂赌博机算法是一种用于在线推荐系统中的算法。
它基于动态调整推荐策略，根据用户的反馈来优化推荐结果。
多臂赌博机算法类似于一个赌博机，每个臂代表一种推荐策略，根据用户的反馈进行调整。
如果其中一种策略获得了较好的反馈，系统将更多地使用该策略进行推荐；如果其中一种策略获得了较差的反馈，系统将减少该策略的使用。
推荐系统常用算法简介
前一阵子准备毕业论文的开题，一直在看推荐系统相关的论文。
对推荐系统有了一个更加清晰和理性的认识，也对推荐算法有了深入了解。
借此机会总结分享一下，大家多多拍砖。
推荐系统的出现随着互联网的发展，人们正处于一个信息爆炸的时代。
相比于过去的信息匮乏，面对现阶段海量的信息数据，对信息的筛选和过滤成为了衡量一个系统好坏的重要指标。
一个具有良好用户体验的系统，会将海量信息进行筛选、过滤，将用户最关注最感兴趣的信息展现在用户面前。
这大大增加了系统工作的效率，也节省了用户筛选信息的时间。
搜索引擎的出现在一定程度上解决了信息筛选问题，但还远远不够。
搜索引擎需要用户主动提供关键词来对海量信息进行筛选。
当用户无法准确描述自己的需求时，搜索引擎的筛选效果将大打折扣，而用户将自己的需求和意图转化成关键词的过程本身就是一个并不轻松的过程。
在此背景下，推荐系统出现了，推荐系统的任务就是解决上述的问题，联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对他感兴趣的人群中，从而实现信息提供商与用户的双赢。
推荐算法介绍1 基于人口统计学的推荐这是最为简单的一种推荐算法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。
系统首先会根据用户的属性建模，比如用户的年龄，性别，兴趣等信息。
根据这些特征计算用户间的相似度。
比如系统通过计算发现用户A和C比较相似。
就会把A喜欢的物品推荐给C。
优势：a 不需要历史数据，没有冷启动问题b 不依赖于物品的属性，因此其他领域的问题都可无缝接入。
不足：算法比较粗糙，效果很难令人满意，只适合简单的推荐2 基于内容的推荐与上面的方法相类似，只不过这次的中心转到了物品本身。
使用物品本身的相似度而不是用户的相似度。
系统首先对物品（图中举电影的例子）的属性进行建模，图中用类型作为属性。
在实际应用中，只根据类型显然过于粗糙，还需要考虑演员，导演等更多信息。
电商平台的商品推荐算法
电商平台的商品推荐算法一、引言随着电商行业的迅速发展，越来越多的商家将商品上架到电商平台进行销售。
为了提高商品曝光率和销售量，电商平台采用了各种推荐算法，通过分析用户的行为和兴趣，给出个性化的商品推荐。
本文将介绍电商平台常用的商品推荐算法及其原理。
二、基于内容的推荐算法基于内容的推荐算法是根据商品的属性、特征、标签等内容信息，来推荐相似的商品。
该算法的核心思想是“物以类聚”，即将具有相似属性的商品归为一类，当用户浏览该类商品时，系统会推荐给用户与该类物品相似的商品。
该算法具有以下优点：一方面可以为用户推荐到其感兴趣的商品，另一方面提高了商品曝光率和点击率。
三、协同过滤算法协同过滤算法是一种常用的推荐算法，其核心思想是寻找用户之间的相似性，基于这种相似性为用户推荐商品。
协同过滤分为基于用户的协同过滤和基于物品的协同过滤。
基于用户的协同过滤算法：该算法主要根据用户之间的行为相似性进行推荐。
具体而言，当用户A浏览了某些商品，系统会针对用户A和其他用户的浏览记录进行比较，找到和用户A浏览行为相似的其他用户，接着将这些用户浏览的商品进行推荐。
该算法需要进行大量的计算，计算量很大，导致推荐结果的实时性比较差。
基于物品的协同过滤算法：该算法主要基于商品之间的相似度来进行推荐。
具体而言，当用户浏览一件商品时，系统会将这件商品与其他商品进行相似度计算，找出与该商品相似的其他商品进行推荐。
该算法在推荐结果实时性方面，具有较大的优势。
四、混合推荐算法混合推荐算法是将多个推荐算法进行融合，结合多个推荐算法的优点进行推荐。
例如，将基于内容的推荐算法和基于协同过滤的算法相结合，可以提高系统的个性化推荐能力和推荐精准度。
这种算法在电商领域被广泛应用，已经成为推荐系统的主流算法之一。
五、结语本文介绍了电商平台中常用的商品推荐算法，包括基于内容的推荐算法，协同过滤算法和混合推荐算法。
不同的算法针对不同的数据建模方式和推荐目标，各有优点和缺点。
智能客服系统的智能推荐算法介绍
智能客服系统的智能推荐算法介绍智能客服系统是一个通过人工智能技术实现自动回答用户咨询、解决问题的系统。
而其中的智能推荐算法，则是这个系统中的关键组成部分之一。
智能推荐算法可以根据用户的需求和行为，智能地为用户提供相关的信息和建议，提高用户体验。
一、内容推荐算法内容推荐算法是智能客服系统中的一个重要部分，它通过分析用户的历史行为和偏好，为用户推荐相关的内容。
这种算法通常基于协同过滤、内容过滤或混合推荐的方式实现。
1. 协同过滤推荐算法协同过滤推荐算法是智能客服系统中最常用的推荐算法之一。
它基于多个用户的历史行为数据，找到与当前用户兴趣爱好相似的其他用户，并根据这些用户的行为给出推荐结果。
2. 内容过滤推荐算法内容过滤推荐算法则是根据用户的历史浏览记录和评价，通过对内容的标签、关键词等进行匹配，为用户推荐相关的内容。
这种算法更注重内容的匹配度，可以根据用户的兴趣，提供个性化的推荐结果。
3. 混合推荐算法混合推荐算法是将协同过滤和内容过滤两种算法结合起来使用，以克服各自算法的不足，并提供更准确的推荐结果。
通过这种算法，智能客服系统可以更好地理解用户的兴趣和需求，提供更有针对性的推荐内容。
二、知识图谱推荐算法除了内容推荐算法，智能客服系统还可以应用知识图谱推荐算法。
知识图谱是一种将知识进行结构化组织和表达的方法，通过将实体、关系和属性等信息整合起来，可以为用户提供更精准的知识推荐。
1. 实体抽取与链接算法实体抽取与链接算法是知识图谱推荐算法中的关键环节。
它通过对大量文本数据的处理和分析，将文本中的实体识别出来，并将其与知识图谱中的实体进行链接。
这样，智能客服系统就能够根据用户的问题，从知识图谱中找到相关的实体并进行推荐。
2. 关系抽取与表示算法关系抽取与表示算法则是对知识图谱中的实体之间的关系进行抽取和表示。
通过这种算法，智能客服系统可以更好地理解不同实体之间的联系，并为用户提供更丰富、准确的推荐结果。
十大经典大数据算法
十大经典大数据算法大数据算法是指应用于大规模数据集的算法，旨在从这些数据中提取有价值的信息和洞察力。
下面是十大经典大数据算法的介绍：1. MapReduce算法：MapReduce是一种用于处理大规模数据集的编程模型，它将任务分成多个子任务并在分布式计算环境中并行执行。
这种算法在Google的大数据处理框架Hadoop中得到广泛应用。
2. PageRank算法：PageRank是一种用于评估网页重要性的算法，通过分析网页之间的链接关系来确定网页的排名。
它在谷歌搜索引擎的排名算法中起到了重要作用。
3. Apriori算法：Apriori算法用于挖掘关联规则，通过发现数据集中的频繁项集来识别项目之间的关联。
该算法在市场篮子分析和推荐系统中有广泛应用。
4. k-means算法：k-means算法是一种聚类算法，用于将数据集划分为k个不重叠的簇。
该算法在数据挖掘和图像分析中常用于聚类分析。
5. 随机森林算法：随机森林是一种集成学习算法，通过构建多个决策树并对它们的结果进行投票来进行分类或回归。
该算法在数据挖掘和机器学习中常用于分类和预测问题。
6. SVM算法：支持向量机（SVM）是一种监督学习算法，用于进行分类和回归分析。
它通过构建一个最优的超平面来将不同类别的样本分开。
7. LDA算法：潜在狄利克雷分配（LDA）是一种用于主题建模的生成模型，用于从文本数据中发现隐藏的主题结构。
该算法在自然语言处理和信息检索中有广泛应用。
8. 特征选择算法：特征选择是一种用于从数据集中选择最相关特征的方法。
常用的特征选择算法包括信息增益、卡方检验和互信息等。
9. 随机梯度下降算法：随机梯度下降是一种用于优化模型参数的迭代优化算法。
该算法通过计算损失函数的梯度来更新模型参数，从而最小化损失函数。
10. 奇异值分解算法：奇异值分解（SVD）是一种矩阵分解方法，用于降低数据维度和提取数据的主要特征。
该算法在推荐系统和图像处理中常用于降维和特征提取。
推荐系统的常用算法
推荐系统的常⽤算法参考回答：推荐算法：基于⼈⼝学的推荐、基于内容的推荐、基于⽤户的协同过滤推荐、基于项⽬的协同过滤推荐、基于模型的协同过滤推荐、基于关联规则的推荐FM：LR：逻辑回归本质上是线性回归，只是在特征到结果的映射中加⼊了⼀层逻辑函数g(z)，即先把特征线性求和，然后使⽤函数g(z)作为假设函数来预测。
g(z)可以将连续值映射到0 和1。
g(z)为sigmoid function.则sigmoid function 的导数如下：逻辑回归⽤来分类0/1 问题，也就是预测结果属于0 或者1 的⼆值分类问题。
这⾥假设了⼆值满⾜伯努利分布，也就是其也可以写成如下的形式：对于训练数据集，特征数据x={x1, x2, … , xm}和对应的分类标签y={y1, y2, … , ym}，假设m个样本是相互独⽴的，那么，极⼤似然函数为：log似然为：如何使其最⼤呢？与线性回归类似，我们使⽤梯度上升的⽅法（求最⼩使⽤梯度下降），那么。
如果只⽤⼀个训练样例（x，y），采⽤随机梯度上升规则，那么随机梯度上升更新规则为：Embedding：Embedding在数学上表⽰⼀个maping：，也就是⼀个function。
其中该函数满⾜两个性质：1）injective （单射的）：就是我们所说的单射函数，每个Y只有唯⼀的X对应;2）structure-preserving（结构保存）：⽐如在X所属的空间上，那么映射后在Y所属空间上同理。
那么对于word embedding,就是找到⼀个映射(函数)将单词(word)映射到另外⼀个空间(其中这个映射具有injective和structure-preserving的特点),⽣成在⼀个新的空间上的表达，该表达就是word representation。
●协同过滤的itemCF，userCF区别适⽤场景参考回答：Item CF 和 User CF两个⽅法都能很好的给出推荐，并可以达到不错的效果。
推荐系统中常用算法 以及优点缺点对比
基于内容推荐方法的优点是：1）不需要其它用户的数据，没有冷开始问题和稀疏问题。
2）能为具有特殊兴趣爱好的用户进行推荐。
3）能推荐新的或不是很流行的项目，没有新项目问题。
4）通过列出推荐项目的内容特征，可以解释为什么推荐那些项目。
5）已有比较好的技术，如关于分类学习方面的技术已相当成熟。
缺点是要求内容能容易抽取成有意义的特征，要求特征内容有良好的结构性，并且用户的口味必须能够用内容特征形式来表达，不能显式地得到其它用户的判断情况。
二、协同过滤推荐协同过滤推荐（Collaborative Filtering Recommendation）技术是推荐系统中应用最早和最为成功的技术之一。
它一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐。
协同过滤最大优点是对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影。
协同过滤是基于这样的假设：为一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。
其基本思想非常易于理解，在日常生活中，我们往往会利用好朋友的推荐来进行一些选择。
协同过滤正是把这一思想运用到电子商务推荐系统中来，基于其他用户对某一内容的评价来向目标用户进行推荐。
基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的，而且是自动的，即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要用户努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。
和基于内容的过滤方法相比，协同过滤具有如下的优点：1）能够过滤难以进行机器自动内容分析的信息，如艺术品，音乐等。
2）共享其他人的经验，避免了内容分析的不完全和不精确，并且能够基于一些复杂的，难以表述的概念（如信息质量、个人品味）进行过滤。
大数据常用的算法
大数据常用的算法一、介绍在大数据时代，海量的数据需要被高效地处理和分析，而大数据算法就是为了解决这个问题而诞生的。
大数据算法可以帮助我们从海量数据中提取有用的信息和知识，以支持决策和预测。
本文将介绍几种常用的大数据算法，包括关联规则挖掘、聚类分析、分类算法和推荐系统算法。
二、关联规则挖掘关联规则挖掘是一种用于发现数据集中的频繁项集和关联规则的算法。
它可以帮助我们发现数据集中的潜在关联关系，以便做出相应的决策。
常用的关联规则挖掘算法包括Apriori算法和FP-Growth算法。
Apriori算法通过迭代的方式生成候选项集，并使用支持度和置信度进行剪枝，最终得到频繁项集和关联规则。
FP-Growth算法则通过构建FP树来高效地发现频繁项集和关联规则。
三、聚类分析聚类分析是一种将数据集中的对象划分为不同的组或类别的算法。
聚类分析可以帮助我们发现数据集中的内在结构和模式，以便进行更深入的分析。
常用的聚类分析算法包括K-means算法和层次聚类算法。
K-means算法通过迭代的方式将数据点划分为K个簇，使得簇内的数据点相似度最大化，簇间的数据点相似度最小化。
层次聚类算法则通过不断合并最相似的簇来构建聚类树，最终得到聚类结果。
四、分类算法分类算法是一种将数据点分配到不同类别的算法。
分类算法可以帮助我们对未知数据进行预测和分类。
常用的分类算法包括决策树算法、朴素贝叶斯算法和支持向量机算法。
决策树算法通过构建一棵树来进行分类，每个节点表示一个特征，每个分支表示一个特征值，叶子节点表示一个类别。
朴素贝叶斯算法则基于贝叶斯定理进行分类，假设特征之间相互独立。
支持向量机算法则通过构建超平面来进行分类，使得不同类别的数据点之间的间隔最大化。
五、推荐系统算法推荐系统算法是一种根据用户的历史行为和偏好来推荐个性化内容的算法。
推荐系统算法可以帮助我们提供个性化的推荐，提高用户的满意度和体验。
常用的推荐系统算法包括基于内容的推荐算法、协同过滤算法和深度学习算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1. 前言随着互联网技术和社会化网络的发展，每天有大量包括博客，图片，视频，微博等等的信息发布到网上。
传统的搜索技术已经不能满足用户对信息发现的需求，原因有多种，可能是用户很难用合适的关键词来描述自己的需求，也可能用户需要更加符合他们兴趣和喜好的结果，又或是用户无法对自己未知而又可能感兴趣的信息做出描述。
推荐引擎的出现，可以帮用户获取更丰富，更符合个人口味和更加有意义的信息。
个性化推荐根据用户兴趣和行为特点，向用户推荐所需的信息或商品，帮助用户在海量信息中快速发现真正所需的商品，提高用户黏性，促进信息点击和商品销售。
推荐系统是基于海量数据挖掘分析的商业智能平台，推荐主要基于以下信息：●热点信息或商品●用户信息，如性别、年龄、职业、收入以及所在城市等等●用户历史浏览或行为记录●社会化关系2. 个性化推荐算法2.1. 基于人口统计学的推荐（同类人喜欢什么就推荐什么）基于人口统计学的推荐机制（Demographic-based Recommendation）是一种最易于实现的推荐方法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。
首先，系统对每个用户都有一个用户 Profile 的建模，其中包括用户的基本信息，例如用户的年龄，性别等等；然后，系统会根据用户的 Profile 计算用户的相似度，可以看到用户 A 的 Profile 和用户 C 一样，那么系统会认为用户 A 和 C 是相似用户，在推荐引擎中，可以称他们是“邻居”；最后，基于“邻居”用户群的喜好推荐给当前用户一些物品。
这种基于人口统计学的推荐机制的好处在于：●因为不使用当前用户对物品的喜好历史数据，所以对于新用户来讲没有“冷启动（Cold Start）”的问题。
●这个方法不依赖于物品本身的数据，所以这个方法在不同物品的领域都可以使用，它是领域独立的（domain-independent）。
然后，这个方法的缺点和问题就在于，这种基于用户的基本信息对用户进行分类的方法过于粗糙，尤其是对品味要求较高的领域，比如图书，电影和音乐等领域，无法得到很好的推荐效果。
另外一个局限是，这个方法可能涉及到一些与信息发现问题本身无关却比较敏感的信息，比如用户的年龄等，这些用户信息不是很好获取。
2.2. 基于内容的推荐（用户喜欢什么，就推荐相同类型的）基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐机制，它的核心思想是根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。
这种推荐系统多用于一些资讯类的应用上，针对文章本身抽取一些tag作为该文章的关键词，继而可以通过这些tag来评价两篇文章的相似度。
这种推荐系统的优点在于：●易于实现，不需要用户数据因此不存在稀疏性和冷启动问题。
●基于物品本身特征推荐，因此不存在过度推荐热门的问题。
然而，缺点在于抽取的特征既要保证准确性又要具有一定的实际意义，否则很难保证推荐结果的相关性。
豆瓣网采用人工维护tag的策略，依靠用户去维护内容的tag的准确性。
2.3. 基于关联规则的推荐（用户喜欢A，A和B有紧密联系，就推荐B）基于关联规则的推荐更常见于电子商务系统中，并且也被证明行之有效。
其实际的意义为购买了一些物品的用户更倾向于购买另一些物品。
基于关联规则的推荐系统的首要目标是挖掘出关联规则，也就是那些同时被很多用户购买的物品集合，这些集合内的物品可以相互进行推荐。
目前关联规则挖掘算法主要从Apriori和FP-Growth两个算法发展演变而来。
基于关联规则的推荐系统一般转化率较高，因为当用户已经购买了频繁集合中的若干项目后，购买该频繁集合中其他项目的可能性更高。
该机制的缺点在于：●计算量较大，但是可以离线计算，因此影响不大。
●由于采用用户数据，不可避免的存在冷启动和稀疏性问题。
●存在热门项目容易被过度推荐的问题。
2.4. 基于协同过滤的推荐协同过滤是一种在推荐系统中广泛采用的推荐方法。
这种算法基于一个“物以类聚，人以群分”的假设，喜欢相同物品的用户更有可能具有相同的兴趣。
基于协同过滤的推荐系统一般应用于有用户评分的系统之中，通过分数去刻画用户对于物品的喜好。
协同过滤被视为利用集体智慧的典范，不需要对项目进行特殊处理，而是通过用户建立物品与物品之间的联系。
目前，协同过滤推荐系统被分化为两种类型：基于用户(User-based)的推荐和基于物品(Item-based)的推荐。
2.4.1. 基于用户的推荐基于用户的协同过滤推荐的基本原理是，根据所有用户对物品或者信息的偏好（评分），发现与当前用户口味和偏好相似的“邻居”用户群，在一般的应用中是采用计算“K-Nearest Neighboor”的算法；然后，基于这 K 个邻居的历史偏好信息，为当前用户进行推荐。
这种推荐系统的优点在于推荐物品之间在内容上可能完全不相关，因此可以发现用户的潜在兴趣，并且针对每个用户生成其个性化的推荐结果。
缺点在于一般的Web系统中，用户的增长速度都远远大于物品的增长速度，因此其计算量的增长巨大，系统性能容易成为瓶颈。
因此在业界中单纯的使用基于用户的协同过滤系统较少。
2.4.2. 基于物品的推荐基于物品的协同过滤和基于用户的协同过滤相似，它使用所有用户对物品或者信息的偏好（评分），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。
基于物品的协同过滤可以看作是关联规则推荐的一种退化，但由于协同过滤更多考虑了用户的实际评分，并且只是计算相似度而非寻找频繁集，因此可以认为基于物品的协同过滤准确率较高并且覆盖率更高。
同基于用户的推荐相比，基于物品的推荐应用更为广泛，扩展性和算法性能更好。
由于项目的增长速度一般较为平缓，因此性能变化不大。
缺点就是无法提供个性化的推荐结果。
两种协同过滤，在基于用户和基于物品两个策略中应该如何选择呢？其实基于物品的协同过滤推荐机制是 Amazon 在基于用户的机制上改良的一种策略，因为在大部分的 Web 站点中，物品的个数是远远小于用户的数量的，而且物品的个数和相似度相对比较稳定；同时基于物品的机制比基于用户的实时性更好。
但也不是所有的场景都是这样的情况，在一些新闻推荐系统中，也许物品，也就是新闻的个数可能大于用户的个数，而且新闻的更新程度也有很快，所以它的相似度依然不稳定。
所以，推荐策略的选择其实也和具体的应用场景有很大的关系。
基于协同过滤的推荐机制是现今应用最为广泛的推荐机制，它有以下几个显著的优点：●它不需要对物品或者用户进行严格的建模，而且不要求物品的描述是机器可理解的，所以这种方法也是领域无关的。
●这种方法计算出来的推荐是开放的，可以共用他人的经验，很好的支持用户发现潜在的兴趣偏好。
然后而它也存在以下几个问题：●方法的核心是基于历史数据，所以对新物品和新用户都有“冷启动”的问题。
●推荐的效果依赖于用户历史偏好数据的多少和准确性。
●在大部分的实现中，用户历史偏好是用稀疏矩阵进行存储的，而稀疏矩阵上的计算有些明显的问题，包括可能少部分人的错误偏好会对推荐的准确度有很大的影响等等。
●对于一些特殊品味的用户不能给予很好的推荐。
●由于以历史数据为基础，抓取和建模用户的偏好后，很难修改或者根据用户的使用演变，从而导致这个方法不够灵活。
3.推荐系统与广告投放互联网上的主题广告推广（例如，百度推广，google adsense）的目标在于实现一个面向用户的个性化广告投放系统。
通过把个性化推荐算法在广告投放中的应用，就实现了我们个性化广告投放的目标。
那么，这种演变是如何实现的呢？在互联网中，例如，百度，拥有大量的网页信息，而主题广告推广的对象不是用户而是某一类型的页面。
通过类比，每种网页类型对应于推荐系统中的一个用户，而每一个广告就对应于推荐系统中的一个物品，网页类型（用户）对广告（物品）的评分则可以用该网页类型中投放广告时的点击情况来计算，这样就构成了一个user-item-rating的矩阵。
也就是，通过协同过滤算法可以实现对不同类型的网页进行广告推荐。
此外，实际应用协同过滤算法来进行广告投放也存在一个些问题。
例如，协同过滤中的“冷启动”问题，也就是新增广告条目的推荐需要额外考虑；同时，也需要考虑用户对广告的接受程度，广告库存率等问题。
4. 业界个性化推荐系统4.1. Yahoo！Resarch - Web-ScaleRecommendation Systems2011推荐系统论坛中，来自Yahoo！的Yehuda Koren分享了他对于互联网中推荐系统的经验。
在》中，简单介绍了目前广泛流行的协同过滤推荐机制；另外分析了一些推荐系统中值得注意的一些问题：●Bias Matters在实际的应用中，用户并不是随机地选择物品去打分，而是只选择那些和他们兴趣相关的物品打分，绝大多数用户往往忽略了去给那些没有兴趣的物品打分。
Koren通过分析Netflix Prize数据，Koren发现用户对视频的评分变化中，Bias可以解释其中的33%，而个性化只能解释其中的10%，剩下的57%暂时还得不到解释。
●Eliciting user feedbackKoren的目标是解决推荐系统的cold-start问题，例如，Yahoo！ Movie中，对于新用户，很难预测他们的喜好（对视频的评分）。
那么，可以选一些视频让新用户打分，从而获取他们的兴趣数据。
在此过程中，使用了决策树模型来引导用户评分，可以用尽量少的视频，最大程度地了解用户兴趣。
●Estimating confidence in recommendations在推荐系统中，我们需要对被推荐物品的可信度进行估计，从而得出更为可信的物品来进行推荐。
Koren在这里提出了基于概率的可信度计算方法，也就是根据对评分（用户对物品）的概率预测，然后利用熵，标准方差，或是Gini不纯度等概率分布来对物品可信度进行评估。
4.2. 淘宝推荐系统淘宝推荐系统的目标就是要为各个产品提供商品，店铺，人，类目属性各种维度的推荐。
它的核心就是以类目属性和社会属性为纽带，将人，商品和店铺建立起联系。
淘宝的宝贝推荐原则：●基于内容的和关联规则●全网优质宝贝算分●根据推荐属性筛选TOP●基于推荐属性的关联关系●采用搜索引擎存储和检索优质宝贝●加入个性化用户信息根据用户的购买和收藏记录产生可推荐的关联规则。
对优质宝贝的算分需要考虑商品的相关属性，包括描述，评价，名称，违规，收藏人气，累计销量，UV，以及PV等等。
此外，推荐系统根据用户的浏览，收藏，购买行为以及反馈信息，在Hadoop上来计算用户带权重的标签，用于进行个性化推荐。
那么，淘宝是如何利用个性化推荐的结果呢？下图展示了淘宝基于个性化推荐的5W营销系统：在个性化推荐之上，淘宝还实现了基于内容的广告投放。