本文总结了多种推荐场景中的注意事项，或者推荐中比较关键的因素，不涉及算法描述，仅仅说明关注点，仅供参考。
推荐算法有很多种，从算法的角度来说，我认为主要由以下几种：协同过滤系列（基于item和user），机器学习分类系列（喜欢和不喜欢二分类，或者回归中的分值代表喜欢程度），矩阵分解系列（mahout ALS算法，netflix举行推荐大赛获奖算法），关联规则（电商常用）。本文将从以上几种系列进行总结。
一、协同过滤系列
协同过滤算法感觉是最热也是推荐最精准的算法之一。在SNS交友推荐中，目前协同过滤算法是最精准的算法（个人之见），原因有以下几点：1、交友网站中用户的基础属性不足以完全表达一个人，除非现在可以把人的相貌信息完全表达出来，毕竟陌生人交友首先看相貌。2、用户的行为已经将用户对其他用户的描述看法融入到动作中。
使用协同过滤注意事项：
1、用户的行为考虑尽量周全，可以将不同隐士行为给一定权值，将隐士行为综合起来得到显示的评分。
2、对推荐结果重新排序，达到利益最大化，像交友网站应该加入活跃因子和曝光因子，活跃因子升函数，曝光因子减函数，控制推荐活跃用户，保证用户曝光率均衡。
3、对于交友网站的推荐，正向推荐是用户可能喜欢的人，如果将行为用户和被行为用户顺序颠倒且评分值不变，这样推荐给被行为用户可能喜欢他的人，将两者取交集，就是可能双方互相喜欢，即推荐最高境界互惠型推荐。
4、 基于物品的协同过滤，相似度进行归一化有助于提高推荐的多样性。因为不同物品内部的相似度不平衡，有些物品内部的相似度较高，造成推荐结果倾向于该类物品。对于两个不同的类，什么样的类其类内物品之间的相似度高，什么样的类其类内物品相似度低呢？一般来说，热门的类其类内物品相似度一般比较大。如果不进行归一化，就会推荐
比较热门的类里面的物品，而这些物品也是比较热门的。因此，推荐的覆盖率就比较低。相反，如果进行相似度的归一化，则可以提高推荐系统的覆盖率。
5、在ItemBased CF中，Tanimoto系数比其他系数会得到更大的覆盖量，它不关心用户对物品的具体评分值是多少，它在关心用户与物品之间是否存在关联关系。这样导致了，不同物品之间的相似度平衡，不会偏向某个物品。
6、对基于用户的推荐系统来说，Pearson相关系数比其他对比用户的方法更胜一筹。基于物品的推荐来说，余弦相似度方法比Pearson相关度量表现更好。
7、降低流行物品的权重。很多领域存在一些很多人都喜爱的物品，让两个用户对有争议的物品（冷门物品）达成共识更有价值。可以使用反用户频率缓解。
8、基于物品的推荐来说，余弦相似度方法比Pearson相关度量表现更好。在基于物品的推荐算法中，余弦相似度由于效果精确，已经被证实是一种标准的度量体系。这种方法也被广泛用于信息检索和文本挖掘，用于比较两份文档，文档表示为词的向量。基本的余弦方法不会考虑用户评分平均分之间的差异，改进版的余弦方法能够解决这个问题，做法是在评分值中减去平均值，改进余弦方法的取值在-1和+1之间，就像pearson方法一样。
9、电商推荐中需要加入货品上架时间和购买时间因素，加入季节上下文因子。
二、机器学习分类系列
1、机器学习方式（逻辑回归、决策树、SVM）。使用历史数据中成功和失败的数据集，训练出模型，使用模型进行预测推荐。（成功案例和失败案例比较难把握）
2、机器学习方法一般会使用较多的属性，只包含基础属性效果会很差，如果包含的属性较多的话，很多用户的很多属性会为空，数据预处理比较麻烦。
3、很多模型会使用协同过滤推荐出数据，然后使用逻辑回归（使用关键属性指标）计算推荐数据推荐指数，对推荐数据进行排序。
三、矩阵分解系列
1、ALS算法在netflix大赛中取得了很好的效果，ALS在视频等少物品，多用户的推荐中比较容易发挥，因为此算法的准确度严重依赖于feature的数量，对于少物品的推荐特征值比较低，计算量较小。对于社交网站之类的推荐，推荐者与被推荐者都是人，数量集是一样的，此时如果使用ALS算法，feature数值将会非常高，计算量会巨大，feature数值缩小会导致推荐结果非常不准确。
2、矩阵分解系列在文本聚类中应用较多。
四、关联规则推荐
1、一般用于电商网站推荐，比如购买此物品的人还购买了什么。
2、电商网站物品摆放，一般也会依赖于关联规则进行调整
领域推荐注意事项：
SNS交友推荐：协同过滤推荐效果一般最佳，在推荐过程中保证用户曝光的均衡，弱化流行用户的推荐，发掘潜在用户。
电商网站推荐：关联规则推荐，协同过滤推荐（基于物品），关注新上架物品和季节性物品，弱化流行物品相似度，长尾物品的相似更有价值，长尾物品更能带动公司效益。
视频网站推荐：协同过滤，ALS算法，影评分析挖掘