2.2　推荐系统分类
根据如何抽取参考特征[5]，将推荐系统分为如下四大类：
2.2.1　基于内容的推荐系统
通过分析用户相关信息，挖掘物品与用户兴趣的相关程度，利用物品内容层面的相关性给用户进行推荐。它不需要依据用户对物品的评价意见，而仅依据用户行为记录的相关内容信息计算用户与待推荐物品之间的相似性，进而进行相应的推荐[3]。这种推荐系统是基于物品和用户本身的内容进行分析，项目或者物品是通过相关的特征的属性来定义，系统基于用户评价对象的特征，利用机器学习方法，学习用户的喜好，检查用户信息与待预测项目的匹配程度。
2.2.2　基于协同过滤的推荐系统
利用集体智慧的思想，利用其它用户的选择作为向该用户推荐的候选集。其中，基于协同过滤的推荐系统又可以细分成基于用户的协同过滤（User-Based CF）和基于物品的协同过滤（Item-Based CF）。前者通过计算用户相似度，找到同该用户口喜好相似的其他用户，向他推荐这些用户喜欢的内容。而后者通过计算物品间的相似度，向用户推荐同他喜欢的产品相类似的产品。目前，协同过滤系统的使用最为广泛，很多电商平台使用的都是CF与其他推荐算法的混合推荐。亚马逊在线书城的书籍推荐系统[6]，淘宝的相关推荐系统，豆瓣的书籍推荐系统[7]，Jester的笑话推荐系统[8]等都是基于协同过滤的推荐系统。
2.2.3　基于关联规则的推荐系统
关联规则是指找到物品之间的相关性，比如说我们很喜欢泡面配火腿，还有啤酒配炸鸡，所以我们一般去超市买泡面总会买包火腿，买炸鸡一定会买听啤酒。所以，关联规则的相关方法可以挖掘出物品之间的潜在联系，其中最为著名的就是尿不湿与啤酒的关联。通过基于关联规则的推荐算法，我们拿到用户的历史行为记录，找到已购买物品或者收藏物品的关联物品，就可以主动为用户推荐。目前，关联规则的算法有很多，如 Apriori、FP-tree[9]等。
2.2.4　基于知识的推荐系统
是一种推理技术，不需要对于用户建立相关模型，而是运用现有知识与规则进行推荐。不同于其他的推荐提供，基于知识的推荐系统通常会用到有关当前用户和有效物品的额外信息，通常这些信息都经过人工归纳总结，称为领域或背景知识。借助领域知识及用户背景信息，该方法利用推理技术为当前用户推荐相关物品。 面向电商平台的商品个性化推荐系统设计(4):http://www.youerw.com/jisuanji/lunwen_21338.html