大数据推荐系统（4）推荐算法
大数据推荐系统算法（1）大数据框架介绍
大数据推荐系统算法（2） lambda架构
大数据推荐系统算法（3） 用户画像
大数据推荐系统（4）推荐算法
大数据推荐系统（5）Mahout
大数据推荐系统（6）Spark
大数据推荐系统（7）推荐系统与Lambda架构
大数据推荐系统（8）分布式数据收集和存储
大数据推荐系统（9）实战
一、推荐模型构建流程：
1.data 分类：
显性和隐性
2.data转成计算机data ：
Item – user 矩阵。评分为里面的data
3.算法
基于内容过滤
从信息检索，和文本检索发展而来
基于商品描述及用户喜好描述，为用户推荐商品
协同过滤
基于用户行为为用户推荐感兴趣的商品
行为可以是过往的交易行为和商品评分，这种方式不需要显性的属性信息
混合推荐
基于内容和协同过滤的对比：
基于物品的协同过滤实现：Step 1 构建item-item 矩阵（reduce进行汇总）
基于物品的协同过滤实现：Step 2 求推荐列表
4.预测
给user求
最后给出答案
5.冷启动
（1）User冷启动问题：新用户 （利用用户信息，流行度，热度推荐）
如何推荐商品给新用户
非个性化推荐
最流行的商品
排名最高的商品
使用用户注册信息（age, gender）
（2）Item冷启动问题：新商品
商品进行标记
使用商品内容信息
（3）Systen冷启动问题：新系统
可以引入专家的信息，通过一定的高效方式迅速建立起商品的相关度表；
要求用户在登录时对一些商品进行反馈，然后给用户推荐那些与反馈结果好的商品相似的商品；