推荐系统，这个名词已经不新鲜了，论文也读了不少，其中名词很多容易混淆
按照其发展历史分：
1.关联规则的推荐
2.个性化的推荐(严格意义不属于推荐引擎)：基于用户过去的行为作出推荐
3. 社会化推荐即user-based：基于相似用户的过去的行为进行推荐
4. 基于item的推荐即item-based：基于事物间的相似性进行推荐

分析下各自的优劣：
1.关联规则是就是传统的基于频繁项的模式挖掘，以购买为例，统计所有用户的购买记录得到一个table，记录着item-set 与count pair，来遍历各种组合的可能，其中忽略了用户这个角色。
2.个性化推荐：俗称BT，behavior taregeting.目标是target，利用behavior来定位。首先是有一个固定得目标，据此目标来寻找已知用户的特征，用于预测其他用户的可能性。可以理解为推荐也可以理解为预测。方法多用ml机器学习方法。
3.user-based 协同过滤的推荐方法。协同过滤首先是建立item-user的矩阵， 以user为目标空间，以item作为特征空间来计算不同user的相似度，最坏的情况是o(n*n)，当然千万级的用户时，是不现实的，需要利用聚类、设置阀值等限制条件进行局部的相似性计算；此时，数据稀疏性是很严重的，item的特征空间也是千万级别，对于长尾用户如何进行很好的推荐，是社会化个性推荐需要考虑的；
4.item-based的协同过滤，同样也是利用item-user矩阵，以item为目标空间，以user为特征空间来计算item的相似度。现在的互联网应用下，特征空间都会很大，可以用cluster或类目来做过滤，减少时间复杂度，同时也降低了quality。