基于用户感兴趣的物品A，找到和A内容信息相近的物品B

基于用户感兴趣的物品A，找到和A内容信息相近的物品B

（1）找到物品A的内容信息

（2）找到与内容信息相近的物品B

运用：这种推荐算法多数运用在简单的推荐列表上，当用户看了物品A立刻展示推荐关联的物品B，不需要通过大量计算反馈。但由于其局限性并不能精准推荐出用户所喜欢的内容。

2. 基于用户的协同过滤算法（UserCF）

这种算法给用户推荐和他兴趣相似的其他用户喜欢的物品。

基于用户的协同过滤算法主要包括两个步骤：

（1）找到和目标用户兴趣相似的用户集合。

（2）找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

运用：UserCF的推荐结果着重于反映和用户兴趣相似的小群体的热点，即更社会化，反映了用户所在的小型兴趣群体中物品的热门程度

3. 基于物品的协同过滤算法（ItemCF）

这种算法给用户推荐和他之前喜欢的物品相似的物品。

基于物品的协同过滤算法主要分为两步：

（1）计算物品之间的相似度。

（2）运用：ItemCF的推荐结果着重于维系用户的历史兴趣，即更个性化，反映了用户自己的兴趣传承

4. 隐语义模型算法（LFM）

通过隐含特征联系用户兴趣和物品

LFM是一种基于机器学习的方法，具有比较好的理论基础。这个方法和基于邻域的方法相比有更强的理论基础、离线计算空间、时间的复杂度，并且可以实现在线实时推荐。

5. 其他推荐算法

（1）基于图的推荐算法

其基本思想是将用户行为数据表示为一系列的二元组。基于用户行为二分图，给用户u推荐物品，可以转化为计算用户顶点u和与所有物品顶点i之间的相关性，然后取与用户没有直接边相连的物品，按照相关性的高低生成推荐列表。

（2）基于关联规则的推荐

反映一个事物与其他事物之间的相互依存性和关联性，常用于实体商店或在线电商的推荐系统：通过对顾客的购买记录数据库进行关联规则挖掘，最终目的是发现顾客群体的购买习惯的内在共性。

（3）基于知识推荐

使用用户知识和产品知识, 通过推理什么产品能满足用户需求来产生推荐。这种推荐系统不依赖于用户评分等关于用户偏好的历史数据, 故其不存在冷启动方面的问题。基于知识的推荐系统响应用户的即时需求, 当用户偏好发生变化时不需要任何训练。