一、基于内容的推荐（根据商品内容进行推荐）
二、协同推荐（根据用户的好友评价进行推荐）
tf-idf：
tf——term frequency词频 频率
idf——inverse document frequency 在其他文档中出现的频率
三、向量空间模型
将文档转换为向量，两篇文档的相似度就可以用向量的夹角余弦表示（1的时候相似度最大，0的时候相似度最小）
难点：同义词、多义词难以识别
解决方法：做矩阵分解，类似pca，将原本的空间压缩（保留特征值大的几项），去掉冗余信息、噪点。
LSA：
四、pagerank
其中一种算pagerank的方法是根据指向自己的链接的外向链接数以及该链接的pagerank值确定（rank=Σ（ranki）/outbound num i）
五、协同过滤
基于用户：
利用和自己最接近（相关）的用户信息来预测缺失的信息
r是该用户已知的平均分
基于商品：
用商品和商品之间的相关性来预测
基于模型：
把打分矩阵转化为分类问题，将打分当做标签
阅读材料：