该系列历史文章：
1.基本分类
常见的推荐系统算法分类如下：
- 算法思想
- 基于人口统计学、基于内容、协同过滤、基于知识、混合推荐
- 应用问题
- 评分预测 vs. Top-N推荐
- 目标函数
- 点级排序学习 vs. 对级排序学习 vs. 列表级排序学习
- 用户参与
- 单边推荐 vs. 双边匹配
- 数据表示
- 矩阵表示 vs. 特征向量 vs. 图模型
目前，业界最多提及的是基于算法思想的分类，所以接下来介绍中，主要基于算法思想分类展开。
2.基于算法思想的分类
a) 基于人口统计学（用户）的推荐
- 根据用户基本信息推荐相似用户喜爱的项目。
b) 基于内容的推荐
- 根据用户过去喜好的项目推荐相似的项目。
- 根据用户行为信息推荐相似用户喜爱的项目。
d) 基于知识的推荐
- 根据用户的显式需求和专业领域知识进行推荐。
各种推荐方法对比：
3.基于应用问题的分类
1） 评分预测
- 目标:
- 根据用户历史评分和其他相关数据,预测用户对候选项目评分值
- 评价指标:
- 预测评分和真实评分之间的偏差,
- 例如:均方根误差RMSE
2）Top-N推荐
- 目标:
- 根据用户历史行为(如:点击)和其他相关数据,预测用户对候选项目的感兴趣程度,并据此对项目排序以给出排在最前N个的项目列表
- 评价指标:
分类准确度和排序合理性,例如:精确度、召回率、AUC、nDCG等
其他的算法分类并不多见，所以在此不做介绍。