因为工作需要，最近有在学习商品搜索引擎的东西。会涉及到系统推荐、个性化推荐和排序推荐。
排序推荐 比较偏向于 输入联想（类似于淘宝，我们输入手机，下面会提示推荐）。
但是本文，重点介绍个性化推荐。
本文比较偏向于理论设计，关于技术实现，后期如果合适，会将自己理解使用到的进行分享。涉及到公司保密部分，不便分享，望谅解。
系统推荐： 据大众行为的推荐引擎，对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品。
个性化推荐：对不同的用户，根据他们的口味和喜好给出更加精确的推荐，这时，系统需要了解需推荐内容和用户的特质，或者基于社会化网络，通过找到与当前用户相同喜好的用户，实现推荐。
排序推荐：结合 用户输入的关键词、系统推荐、个性化推荐 三个维度进行排序推荐。
关于个性化推荐，根据推荐引擎的数据源有三种模式：基于人口统计学的推荐、基于内容的推荐、基于协同过滤的推荐
结合个人理解，具体化简述上面三个概念：
（1）基于人口统计学的推荐：针对用户的“性别、年龄范围、收入情况、学历、专业、职业”进行推荐。
（2）基于内容的推荐：如下图，这里没有考虑人对物品的态度，仅仅是因为电影A月电影C相似，因此将电影C推荐给用户A。这是与后面讲到的协同过滤推荐最大的不同。
（3）基于协同过滤的推荐：如下图，这里我们并不知道物品A和物品C是否相似，考虑人对物品的喜好进行推荐。
我的想法是 内容推荐和协同过滤推荐 结合 会合适些，因为仅基于协同过滤 方法的核心是基于历史数据，所以对新物品和新用户都有“冷启动”的问题。
内容推荐和协同过滤推荐 结合 应该能满足大部分需求， 基于人口统计学的推荐看情况，如果有必要再实现。
另外 基于协同过滤 数据量 大的时候 才比较准。这种情况内容推荐 可以补位，推荐类似商品。
