一、 个性化推荐算法
定义：根据用户的基本信息发现用户的相关程度，将相似用户喜爱的物品推荐给当前用户。
优点：
没有“冷启动”的问题；
不依赖“物品”本身的数据，即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）。
缺点：
方法过于粗糙，在对品味要求比较高的领域（图书、电影、音乐）效果不好；
部分个人信息涉及隐私。
定义：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。（抽取文章中的tag作为关键词）
优点：
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。
缺点：
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。）
定义：购买了一些物品的用户更倾向于购买另一些物品。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。
优点：
转化率比较高。
缺点：
计算量大，但可以离线计算；
由于采用用户数据，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。
定义：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。
分类：
基于用户的推荐：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。
基于物品的推荐：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。
各自优点：
基于用户的推荐：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。
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。
各自缺点：
基于用户的推荐：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。
基于物品的推荐：无法提供个性化的推荐结果。
区别：
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。
二、 业界个性化推荐系统
- Yahoo！Resarch - Web-ScaleRecommendation Systems
- 淘宝推荐系统
- 豆瓣猜
- Hulu的个性化推荐