一、基于内容的推薦（根據商品内容進行推薦）
二、協同推薦（根據使用者的好友評價進行推薦）
tf-idf：
tf——term frequency詞頻 頻率
idf——inverse document frequency 在其他文檔中出現的頻率
三、向量空間模型
将文檔轉換為向量，兩篇文檔的相似度就可以用向量的夾角餘弦表示（1的時候相似度最大，0的時候相似度最小）
難點：同義詞、多義詞難以識别
解決方法：做矩陣分解，類似pca，将原本的空間壓縮（保留特征值大的幾項），去掉備援資訊、噪點。
LSA：
四、pagerank
其中一種算pagerank的方法是根據指向自己的連結的外向連結數以及該連結的pagerank值确定（rank=Σ（ranki）/outbound num i）
五、協同過濾
基于使用者：
利用和自己最接近（相關）的使用者資訊來預測缺失的資訊
r是該使用者已知的平均分
基于商品：
用商品和商品之間的相關性來預測
基于模型：
把打分矩陣轉化為分類問題，将打分當做标簽
閱讀材料：