为了能够更好的区分推荐系统的类型, 本文根据先人的分类方法, 将推荐系统分为以下几类:
1. 基于内容
系统为用户推荐与他们过去的兴趣类似的物品. 物品间的相似性是基于被比较的特征来计算的. 例如, 某个用户对一部喜剧电影有了正面的评价, 那么系统就能学会从喜剧类型中为该用户推荐电影.
协同过滤
这种方法是找到与用户有相同品味的用户, 然后将相似的用户过去喜欢的物品推荐给用户.两用户间的相似偏好是通过计算用户历史评分记录相似得到的. 协同过滤被认为是推荐系统中最流行和最广泛实现的技术
基于人口统计学
这种类型的推荐系统推荐五平时是基于人口统计信息的. 我们假设不同的人群信息应该产生不同的推荐. 许多网站采用基于人口统计的简单而有效的个性化解决方案. 例如, 根据用户的语言或者国籍, 划分到特定的网站, 或者根据用户的年龄制定推荐. 虽然这种方法在营销的文件中相当流行, 但是推荐系统方面对此一直很少研究.
基于知识
基于知识的系统根据特定的领域只是推荐物品, 这些只是是关于如何确定五平的那些特性能够满足用户需要和偏好, 以及最终如何确定物品对用户有用.
基于社区
这种推荐方法以来用户朋友的偏好. 这种技术有个业界流行的标书”告诉我你的朋友是谁, 我将知道你是谁”. 这个现象的出现, 加上日益普及的社会网络, 于是基于社区的推荐系统就应运而生, 并且得到人们越来越多的关注. 这种系统通常叫做社会化推荐系统. 这种推荐系统推荐或i去用户的社会关系和用户朋友的偏好等信息并以此进行建模. 推荐结果基于用户朋友提供的评分. 实际上, 这类推荐系统是随着社交网络产生的, 可以简单又全面的采集与用户社交关系相关的数据
混合推荐系统
这类推荐系统综合了上面提供的技术. 混合推荐就是综合A和B方法, 利用A的优势弥补B的不足. 例如, 协同过滤方法遭遇的新物品冷启动问题, 也就是不能推荐尚未被评分的五平. 基于内容的方法没有这个限制, 应为新物品的预测是基于物品描述, 而这些特征都是容易获得的. 给出两个基本的推荐技术, 采用一些方法将这些技术综合起来产生一个混合的系统.