常见的推荐系统的模型：协同过滤推荐模型、基于内容的推荐模型和混合推荐模型
推荐算法：
1) 基于流行度的算法
比如各种新闻，微博热榜，根据单页点阅率（PV），“访问次数”和“独立访客数（UV），或日均PV或收藏数等数据来按某种热度排序来推荐。这用于刚注册的用户，它无法针对用户进行个性化推荐.
2)协同过滤算法
分为基于用户和基于物品的算法，基于用户的原理：①.分析各个用户对item的评价（通过浏览记录、购买记录等）②依据用户对item的评价计算得出所有用户之间的相似度；③选出与当前用户最相似的N个用户；④将这N个用户评价最高并且当前用户又没有浏览过的item推荐给当前用户；基于物品的原理：①分析各个用户对item的浏览记录。②依据浏览记录分析得出所有item之间的相似度；③对于当前用户评价高的item，找出与之相似度最高的N个item；④将这N个item推荐给用户。
3）基于内容的算法
通过分析用户的行为以及新闻的文本内容，我们提取出数个关键字，将这些关键字作为属性，把用户和新闻分解成向量，之后再计算向量距离，便可以得出该用户和新闻的相似度了，
我们便可以引入词权的概念。在大量的语料库中通过计算（比如典型的TF-IDF算法），我们可以算出新闻中每一个关键词的权重，在计算相似度时引入这个权重的影响，就可以达到更精确的效果。
4）基于模型的算法
通过分析系统中用户的行为和购买记录等数据，通过对影响用户行为的各种特征属性，如用户年龄段、性别、地域、物品的价格、类别信息的记录，通过反复测试和经验，调整特征属性的组合，拟合出最准确的回归函数
5）混合算法
通过给不同算法的结果加权重来综合结果，或者是在不同的计算环节中运用不同的算法来混合，达到更贴合自己业务的目的。
注意：数次推荐后用户依然对某个标签毫无兴趣，我们就需要将这个标签降低权重，调整排序。
6）基于关联规则推荐
基于关联规则的推荐（Association Rule-based Recommendation）是以关联规则为基础，把已购商品作为规则头，规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中已经得到了成功的应用。管理规则就是在一个交易数据库中统计购买了商品集X的交易中有多大比例的交易同时购买了商品集Y，其直观的意义就是用户在购买某些商品的时候有多大倾向去购买另外一些商品。比如购买牛奶的同时很多人会同时购买面包。
原文地址：https://www.cnblogs.com/zhao-teng-ass/p/12250463.html