2009年，大批喜欢推荐系统的工程师们在阿姆斯特朗举行会议，探讨如何建立一个高效的推荐系统。下面是工程师们总结的推荐系统的5大挑战，我们一一阐述。1. 数据匮乏为了有效的产生推荐，也许推荐系统面临的最大挑战是其需要大量的数据。那些在推荐方面做得较好的企业，比如Google、Amazon、Netflix和Last.fm，恰好是那些拥有大量用户数据的企业，这不能说是个巧合。如下图所示，

本博文讨论下不同的推荐方法，包括Amazon和Google使用的推荐方法。维基百科给推荐系统的定义是：推荐系统是一种特定的信息过滤技术，它在试图向用户呈现用户可能感兴趣的信息（电影、音乐、图书、新闻、图片、网页等等）。维基百科上同时指出，推荐通常是基于信息项目的（基于内容的推荐技术）或者基于用户的社会环境的（协同过滤推荐技术）。我们认为还有一种个性化的方法，就是Google重点使用的那种技术方法。

为了更好的学习推荐系统，本博文将个人知道的关于推荐系统的相关资源整理汇总，拿出来与大家分享。本博文每月更新一次，长期维护，如果你有好的关于推荐系统的资源，请email我，放到这里与大家分享。主页GroupLens: http://www.grouplens.org GroupLens项目官方主页John Riedl: http://www-users.cs.umn.edu/~rie

完全转载自：阿俊的博客最近看推荐系统方面的东西也有段日子了，有书，博客，唯独没有看论文。总感觉论文对于工业界来说用处真的不如学校做课题、论文那么大，只要知道某个算法好不好用以及怎么用就可以了，也不必知道太多的细节和数学推导。但根据一个好的算法，产品部门可以设计出很多很酷的产品，让用户倍感web应用的人性化。1、Item based collective filtering

完全转载自：阿俊的博客混合推荐系统是推荐系统的另一个研究热点，它是指将多种推荐技术进行混合相互弥补缺点，从而可以获得更好的推荐效果。最常见的是将协同过滤技术和其他技术相结合，克服cold start的问题。（1）加权型就是将多种推荐技术的计算结果加权混合产生推荐。最简单的方式是线性混合，首先将协同过滤的推荐结果和基于内容的推荐结果赋予相同的权