转自 ：http://blog.csdn.net/hxxiaopei/article/details/7695740

推荐系统，整体上有三种方式：

• user->user->item, 推荐与其相同兴趣的用户喜欢的item，user-based
• user->item->item, 推荐与其喜欢的item相似的item，item-based
• user->item-feature->item，抽取用户喜欢item的特征，推荐具备这些特征的item, model-based

针对前两个，目前绝大多数采用的都是item-based，比如amazon等，谈到item-base优于user-based，但是类似digg等还是采用user-based，效果也还不错，所以不能哪个一定优于另一个，只是使用的场景不一样。

针对这两个方法作对比：

user-based更多的考虑相同爱好的用户兴趣，推荐这些用户喜欢/访问过的item，和用户当前的行为关系不大，更多的是用户的这些朋友访问过什么，属于圈子的社会化行为，推荐的item是相同爱好用户最喜欢的item，所以具备热点效应，也就是推荐圈子用户访问最多的；同时也可以将圈子用户刚刚访问item推荐出来，具备很强的实时性，尤其是新引入的热点，可以很快的扩散，也能解决new-item的冷启动问题。

item-based 主要考虑用户历史兴趣，推荐与用户历史喜欢item相似的item，和用户的当前行为有很大的关系，推荐的item与用户当前click的相似性，用户是可以理解的，也就是所谓的可解释性很强，推荐的item也不是热门的，很有可能是冷门(长尾)，但是和用户的兴趣相关，要求用户在这个网站上的兴趣是长久和固定的，推荐的意义在于帮助用户找到和其兴趣相关的item。推荐item和是哪个用户关系不大，所以比较好的解决新加入用户的问题。

所以在做推荐决策时，主要考虑如下问题：

1.用户是否对该领域有固定长期的兴趣

2.用户的规模

3.item的规模

4.新增用户的速度

5.新增item的速度

6.实时性要求

我认为第一个应该是最主要的要求，体现用户对个性化要求的程度：

比如 类似指阅等新闻热点网站，以及类似youku这样用户制造item的网站，用户感兴趣的是发生了什么，大家都在看什么，而对细分领域要求不高，用户看”端午烟台轿车撞自行车队"视频，同时也想看“youku我是传奇 断臂哥励志歌唱”视频，而用户历史上可能在看“甄嬛转”或者“筷子兄弟的父亲”,没有很明显的主题，也无法反映用户的兴趣，用户当前的行为，也不对接下里推荐立刻生效，用户只是实时的对热门或者其他人观看的东西感兴趣，同时item新增的速度也比较快，可以很快的让很多用户观察到，而用户增速慢，这时候user-based就是很好的选择。

但是，类似douban，amazon这样的网站，用户当前的行为对推荐的item有很大的影响，比如用户在douban 我读下面看了一本推荐系统实践，能够说明用户对数据挖掘或者推荐领域有兴趣，那么推荐“recommend system handbook”是一个不错的选择，同时解释性也很强，推荐系统需要做的只是帮组用户发现该领域的知识，用户之前不知道的，满足用户需求。而事实上，分析用户的行为，用户行为focus在这些领域，具有连续性。一般来说，这些网站item的增加速度不快，比如新书/电影等不可能频繁增加。而 新增的用户只要点击一个item后就可以形成推荐，所以，item规模不大，或者小于用户规模，同时item变化速度也不快时，item-based是最佳选择。

这种形式一般可以按推荐引擎的算法分，主要有基于协同过滤、基于内容推荐等算法。“买过此商品的人，百分之多少还买过其他啥啥商品”：协同过滤item-based filtering“和你兴趣相似的人，还买过其他啥啥商品”：协同过滤 user-based filtering“相关商品推荐”：基于内容推荐content-based“猜你喜欢” 一般混合使用推荐算法。