问：推荐系统是什么？
答：举个生活中的例子，当我在亚马逊中查看某物品详情页时，该网站会根据我的历史浏览、购买记录，物品信息，其他用户的浏览、购买信息等为我作推 荐，比如经常一起购买的物品、购买此商品的用户同时购买的其他物品、看过此物品后顾客购买的其他物品等。其实推荐系统就是通过研究用户的兴趣爱好进行个性 化推荐，发现用户的潜在需求。它的输出结果就是建立商品与用户之间的关联。
问：推荐系统使用的数据有哪些？
答：主要包含三类数据源，其一，用户信息，比如性别、年龄等；其二，物品信息，比如关键字、基本描述等；其三，用户对物品的偏好，比如用户对物品的评分、评论、浏览记录、购买记录等；
问：目前有几种推荐系统算法？
答：常用的推荐算法有人口统计学推荐、物品内容推荐、协同过滤推荐、SVD隐语义推荐和关联规则。
1）基于人口统计学的推荐：简单地基于用户的基本信息发现用户的相关程度，然后将相似用户喜好的其他物品推荐给当前用户；
2）基于物品内容的推荐：核心思想是根据物品的基本信息，发现物品之间的相关性，再基于用户以往对物品的偏好记录，将相似的物品推荐给当前用户；
3）协同过滤推荐：分别是基于用户的协同过滤和基于物品的协同过滤；
3a）基于用户的协同过滤：根据用户对物品的偏好信息，计算用户之间的相似度，相似度越高，说明用户间的偏好越一致，将相似用户所偏好的物品推荐给当前用户；
3b）基于物品的协同过滤：根据用户对物品的偏好信息，计算物品之间的相似度，相似度越高，说明物品之间的内在关联性越强，根据用户当前的偏好信息，将相似物品推荐给当前用户；
4）隐语义模型：相当于协同过滤推荐的相似度计算模型，基于用户和物品信息，构建一个矩阵，矩阵中的信息是用户对物品的评分，通过SVD算法得到用户与物品的特征向量，分别代表用户的偏好和物品的偏好，进而得到用户对物品的评分预测，根据当前用户对物品的评分进行相应推荐；
5）关联规则：最初是基于购物篮作分析，通过研究哪些商品被频繁地同时购买，进而了解用户的购买需求；
下一步计划
接下来小编会对上述提到的各种推荐算法进行具体介绍，内容主要包括算法的基本思想、算法的具体步骤、存在的问题及相应的代码实践等。
