推荐机制通常可分为基于用户统计学的推荐、基于内容的推荐、基于协同过滤的推荐和混合推荐机制四类。
（1）基于用户统计学的推荐。
基于用户统计学的推荐机制主要根据用户的基本信息计算用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户，图8-2描述了这种推荐机制的工作原理。如图8-2所示，系统根据用户的年龄、性别计算用户的相似度，用户A和用户C被发现为相似用户，将物品A推荐给用户C。
图8-2 基于人口统计学的推荐机制的工作原理
因为基于用户统计学的推荐机制不使用当前用户历史行为数据，所以对于新用户而言不存在“冷启动”的问题；另外，该机制不依赖于物品自身的数据，可以应用到不同的物品领域。但是，该机制计算用户相似度时需要用户的基本信息，涉及了用户的隐私信息，且分类的方法过于笼统，对于要求比较高的领域，推荐效果不是很好。
（2）基于内容的推荐。
基于内容的推荐主要是计算物品的相关性，并根据用户历史的喜好记录，将相似的物品推荐给用户。图8-3描述了基于内容推荐的基本原理。如图8-3所示，首先，根据电影的类型计算电影间的相似度，电影A和C被发现为相似电影。由于用户A喜欢看电影A，那么系统电影C推荐给用户A。
图8-3 基于内容推荐机制的工作原理
因为基于内容的推荐机制基于用户历史兴趣建模，使得推荐结果更加准确。但是，对于新用户而言，由于缺乏历史数据，存在“冷启动”的问题。另外，推荐的质量依赖于物品相似度计算的结果。
（3）基于协同过滤的推荐。
基于协同过滤的推荐机制原理是根据用户对物品的偏好，计算物品的相关性或用户的相关性，然后基于这些相关性进行推荐。基于协同过滤的推荐可以分为基于用户的协同过滤推荐、基于项目的协同过滤推荐和基于模型的协同过滤推荐三类。
1）基于用户的协同过滤推荐。
基于用户的协同过滤推荐机制与基于用户统计学的推荐机制都是计算用户的相似度，并基于相似用户的喜好计算推荐。但是，在计算用户的相似度时，基于用户统计学的机制依赖于用户基本信息分类，而基于用户的协同过滤机制是基于用户的历史偏好数据来计算用户的相似度。图8-4描述了基于用户的协同过滤推荐机制的基本原理。如图8-4所示，用户A喜欢物品A和C，用户B喜欢物品B，用户C喜欢物品A、C和D。系统发现用户A和C偏好的物品类似，同时用户C除了用户A喜好的物品A和C之外，还喜欢物品D，那么系统推断物品D也可能被用户A喜欢，因此将物品D推荐给用户A。(www.xing528.com)
图8-4 基于用户的协同过滤推荐机制的基本原理
2）基于项目的协同过滤推荐。
基于项目的协同过滤推荐本质是基于物品相似度的预测推荐，与基于内容的协同过滤推荐不同之处在于计算相似度的方法不同，其基本原理是基于所有用户对物品的偏好来计算物品之间的相似度，结合用户的历史偏好，将与历史偏好相似的物品推荐给用户，图8-5描述了它的基本原理。如图8-5所示，用户A喜欢物品A和C，用户B喜欢物品A、B和C，用户C喜欢物品A。依据历史偏好，喜好物品A的人大都喜欢物品C，计算出物品A和物品C相似，基于这个结果，系统将物品C推荐给用户C，其认为用户C也可能喜欢物品C。
图8-5 基于项目的协同过滤推荐机制的基本原理
3）基于模型的协同过滤推荐。
基于模型的协同过滤推荐采用机器学习的方法来预测用户对物品的喜好度。这种方法使用样本用户的历史数据，进行模型训练和评估，然后对实时用户的喜好信息进行预测，进而给出推荐信息。
（4）混合推荐机制。
在实际应用中，推荐系统采用多种推荐机制混合在一起的推荐策略。目前，推荐机制组合的方法主要有以下几种。
1）加权混合：首先通过在测试数据集上反复实验，得出不同推荐机制的权重值，然后基于得到的权重，利用线性公式将不同的推荐机制组合起来，从而得到较好的推荐结果。
2）切换混合：针对用户、物品的数目和系统运行状况等，切换选择合适的推荐机制。
3）分区混合：将不同推荐机制计算结果分不同的区返回给用户。
4）分层混合：综合多种推荐机制，其中，一个推荐机制的结果是另一个推荐机制的输入，通过分层得到更好的推荐结果。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
