案例来源：@AI前线
（以下为案例的简要概述，便于之后能快速检索到相关内容。部分文字与图片可能直接来自原文，如有侵权请告知，谢谢）
1. 简介：本案例是对推荐系统的简单介绍，可用于对推荐系统现有主流方法的了解
2. 亚马逊使用了哪些信息进行推荐：
1）当前浏览品类
2）与当前商品经常一同购买的商品
3）用户最近浏览记录
4）用户浏览历史（长期）中的商品
5）用户浏览历史（长期）相关的商品
6）购买相同商品的其它用户购买的物品
7）已购商品的新版本
8）用户购买历史（如近期购买商品的互补品）
9）畅销商品
3. 推荐系统模型：U x S → R
1）U是用户矩阵
2）S是物品矩阵
3）R是用户对物品的喜爱程度，推荐系统就是基于现有的信息填补R矩阵
4. 常用推荐算法
1）基于内容：易实现，效果好，但是如何获得一个物品的内容、相似度如何定义等有些情况下会较难把握
2）协同过滤：基于物的协同过滤与基于人的协同过滤
3）矩阵分解（SVD）：用户-物品评分矩阵A很大且稀疏，将A分解为用户矩阵（用户潜在因子）和物品矩阵（物品潜在因子），目标是这两个矩阵的乘积尽可能接近R。缺点是只利用了评分信息，忽略了用户属性和物品属性
4）因子分解机（FM）：将SVD推广到多类潜因子的情况，如分解为 用户、物品、用户性别、用户年龄、物品价格 等多个因子，允许因子之间有相关关系（如下图，方程前半部分是线性回归，后半部分加入了两两因子间关系）
5）深度学习：训练深度神经网络，输入用户id，输出层做softmax，得到对每个物品id的权重
6）机器学习排序
7）探索与利用：先对用户聚类（如分为abcde五类），随机对a中的用户1和b中的用户2推荐电影，如果用户1没点击，2点击了，说明b类用户可能对该电影更感兴趣。
8）集成：对上述多种方法的ensemble