1、Item based collective filtering
總結：物以類聚
很多網站的核心算法之一
原因：item的增長速度遠小於user的增長速度
方法：離線計算item的相似度矩陣供線上使用
缺點：由於基於item的相似性，故推薦的item相似，缺乏多樣性
2、user based collective filtering
總結：人以羣分
找和用戶有相同品味的其他用戶
適用範圍：item更新頻繁的應用
方法：通過相似用戶喜歡的item推薦給該用戶
缺點：相似用戶羣比較敏感，要頻繁地計算出用戶的相似用戶矩陣，運算量會非常大。 推薦的大多是大家都喜歡的熱門推薦，有點趨於大衆化了
3、content based
方法：提取關鍵詞計算相似性 可以提前諮詢用戶的偏好
好處：沒有數據稀疏問題
4、slope one
方法：
Slope One的基本概念很簡單, 例子1, 用戶X, Y和A都對Item1打了分. 同時用戶X,Y還對Item2打了分, 用戶A對Item2可能會打多少分呢?
| User | Rating to Item 1 | Rating to Item 2 |
| X | 5 | 3 |
| Y | 4 | 3 |
| A | 4 | ? |
根據SlopeOne算法, 應該是:4 - ((5-3) + (4-3))/2 = 2.5.
優點：簡單，快速
5、svd
Singular Value Decomposition（奇異值分解）
總結：擒賊先擒王。 抓主要矛盾，忽略次要矛盾
這個方法是提取一般實矩陣“特徵值”的算法，（這裏特徵值加引號是因爲，特徵值是針對方陣來定義的，而一般的m*n的實矩陣是沒有特徵值的。）
將一個m*n的實矩陣和它的轉置相乘，就會得到一個方陣，然後對這個方陣做特徵值分解，得到的特徵值就是所謂的奇異值的平方。
拿到奇異值後，我們就可以抓到主要的成分，丟掉次要和非常次要的成分進行分析。也就是說，我們可以對原來的龐大的常常又非常稀疏的矩陣進行降維和分解，而分解後得到的矩陣都是稠密矩陣。最終我們會得到一個表示user特性的矩陣和一個表示item特性的矩陣。拿到這些數據之後，我們就可以進行推薦了，而且也可以很容易地進行聚類分析。
好處在於，可以解決rating矩陣的稀疏性問題，同時可以降低矩陣的維度，提高運算速度。但它的缺點是付出的空間代價太大
6、聚類算法
這裏用到的聚類算法，是用來降低維度以及爲並行計算作準備的。
拿到rating矩陣之後，可以通過這些評分將用戶自然地聚成幾簇，然後用上述的算法對各個簇做推薦算法並行計算，充分地利用好所有計算資源。
當然你也可以在svd分解之後，拿到user和item矩陣之後，對這兩個矩陣分別作聚類分析，你可以得到user的簇以及item的簇。這樣的結果會非常有意義，你可以作好友推薦，相似item推薦等等。
在基於內容的算法中，因爲很多資訊之間並不是那麼的相關，把他們都相互計算相似度，會得到很多的0，所以沒有必要。因此可以在計算之前，對整個item做個聚類，然後分別對各簇來做相似度計算。
最簡單的就是k-means。
7、組合算法
總結：博採衆長
任何一個算法都有它獨特的優勢和固有的缺陷，因此單用一個算法的web應用很少，往往是將各種算法組合起來用。
1：將多種算法計算出來的結果，加權之後排序推薦給用戶。
2：將多種算法計算出來的結果，各取前幾個推薦給用戶，這樣做的好處是結果很豐富多彩。
3：用svd算法填充後的矩陣作爲輸入，用普通cf做計算來輸出，然後排序推薦。這種叫做層次推薦，可以得到兩種方法的好處。
4：對新用戶做基於內容的推薦，因爲新用戶沒有任何評分數據，對老用戶用cf來做。
。。。。
論文方向：
推薦系統，學術界，許多大牛的論文和研究方向就是不斷地改進計算速度，精度和提出新的算法。