（三） 主要的个性化推荐算法
表2.1 推荐算法综合描述
推荐技术    依赖数据    用户输入    推荐过程
协同过滤推荐    用户集合U对产品集合I的评价    个人用户u对产品集合中部分产品的评价    从用户集合中识别与个人用户u型去相似的用户，以这些用户对产品i的评价为依据做出推断
基于内容的推荐    产品集合I中的产品特征描述    个人用户u对产品集合中部分产品的评价    产生一个与个人用户u的评价相应的分类，并将其应用于产品i
基于效用的推荐    产品集合I中的特征描述    个人用户u的兴趣效用函数    将兴趣效用函数应用于产品并决定产品i的等级
基于知识的推荐    产品集合I中的特征描述，及这些产品如何满足需要的知识    关于个人用户的需要或兴趣的描述    推断出产品i与个人用户需要质检的匹配
关联规则推荐    用户集合U对I的浏览或者购买历史记录    个人用户u对产品集合中部分产品的评价    从用户集合中与个人用户u购买相同产品的用户，产生频繁项集，产生关联规则，根据规则产生推荐
推荐算法是个性化推荐系统的核心，贯穿于用户输入推荐请求到推荐结果输出的全过程。在电子商务网站中，简单推荐是依据用户注册档案中喜好的关键字进行匹配，来推荐相关的个性化产品。高级推荐是动态适应顾客的在线状态，根据顾客浏览的上下文环境以及点击流的分析，来调整推荐方案，拟合顾客需求，实现个性化推荐。
目前，主要的个性化推荐算法有协同过滤推荐、基于规则的推荐、基于人口的推荐、基于内容的推荐、基于效用的推荐、基于知识的推荐等，其中协同过滤和基于关联规则的推荐技术应用较广。以上推荐技术综合列表如表1。表中J是产品集合，U是已知兴趣偏好的用户集合，H是需要进行推荐的个人用户，f是能预测个人用户兴趣的产品。
1、  协同过滤推荐
协同过滤推荐（collaborative filtering recommendation）是目前研究最多的个性化推荐技术，它基于另据用户的资料得到目标用户的推荐，推荐的个性化程度越高。协同过滤的最大优点是对推荐对象没有特殊要求，能处理非结构化的复杂对象，如音乐、电影。
协同过滤推荐主要分为两类：一是基于内存的协同过滤（memory - based collaborative filtering）,先用相似统计的方法得到最具有相似兴趣爱好的邻居用户，所以该方法也称为基于用户的协同过滤（user - based collaborative filtering）或基于邻居的协同过滤（neighbor - based collaborative filtering）；二是基于模型的协同过滤（model - based collaborative filtering）,先用历史数据得到一个模型，再用此模型进行预测。基于模型的推荐广泛使用的技术包括神经网络等学习技术、潜在语义检索（latent semantic indexing）和贝叶斯网络（Bayesian networks），训练一个样本得到模型。Breese教授认为基于用户的协同推荐比基于模型的协同推荐方法更好。
基于用户的协同推荐算法随着用户数量的增多，计算量成线性加大，其性能越来越差，并且不能对推荐结果提供很好的解释。为此，在2001年Sarwr教授提出了第三种协同过滤推荐算法，即基于项目的协同推荐算法（item - based collaborative filtering algorithms）。该算法通过先计算已评价项目和待预测项目的相似度，以相似度作为权重，加权各已评价项目的评价分，得到预测项目的预测值，并指出基于项目的推荐算法比基于用户的推荐算法还要好，且能解决基于用户的协同推荐的两个问题。但Mild教授从批判的角度重新审视了各种推荐算法，指出基于项目的协同推荐并不一定好，算法准确度与采用的试验规模数据有关，大多数情况下还是基于用户的协同推荐好。 面向医疗器械的个性化推荐系统研究(3):http://www.youerw.com/jisuanji/lunwen_17562.html