百度定义：它是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程"。 推荐系统有3个重要的模块:用户建模模块、推荐对象建模模块、推荐算法模块。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。

随着5G、人工智能技术的发展，人们的物质生活水平和消费娱乐方式发生翻天覆地的变化在解决日常吃饭穿衣生存问题，更多的注重精神生活，比如看书，看电影，购物等，而这些日常消遣娱乐方式是随意无意识的， 大多是“随波逐流”，跟随热点或网红等效应带动，人们实际上更愿意接受被动推荐的好的物品， 比如给你推荐一部电影，如果符合你的口味，你可能会很喜欢，比如喜欢跑车，推荐给你后，会产生依赖不断搜索或查看相关汽车咨询。 当今时代可选择的商品和服务这么多，而不同人的兴趣偏好又是截然不同，并且在特定场景下，个人对自己的需求不是很明确。在大环境背景驱动下，推荐系统应运而生。 现阶段人们生活节奏快，竞争压力打，为了更好的为用户提供服务，节省时间，获取自身感兴趣的人或物， 在为用户提供服务的同时赚取更多的利润，越来越多的公司通过采用个性化推荐技术，辅助用户更快地发现自己喜欢的东西 。公司根据用户在产品上的行为记录、点击率、通过聘请网红、名人等多种渠道增加经济和社会效益，同时提升自身知名度， 利用Recommendation system来为用户推荐可能感兴趣的物品。

根据推荐算法所用数据的不同分为基于内容的推荐、协同过滤的推荐以及混合的推荐

通过算法将“标的物”与人关联起来，“标的物”包含很多自己的属性，用户通过与“标的物”的交互会产生行为日志，这些行为日志可以作为衡量用户对“标的物”偏好的标签，通过这些偏好标签为用户做推荐就是基于内容的推荐算法。比如：你在抖音中观看的感兴趣的视频，有各自的标签，通过系统推荐，下次打开时候，会主动给你推送你感兴趣的视频。 它是利用“标的物”的内在品质或者固有属性来进行推荐，比如音乐的流派、类型，电影的风格、类别等，不需要构建UI矩阵。它是建立在项目的内容信息上作出推荐的，而不需要依据用户对项目的评价意见，更多地需要用机器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。函数来评价特定用户c对于特定项目s的评分：

系统首先对商品书籍的属性进行建模，图中用类型作为属性。在实际应用中，只根据类型显然过于粗糙，还需要考虑其他信息。通过相似度计算，发现书籍A和C相似度较高，因为他们都属于武侠小说类。系统还会发现用户A喜欢书籍A，由此得出结论，用户A很可能对书籍C也感兴趣。于是将书籍C推荐给A。

用户在产品上的交互行为为用户留下了标记，我们可以利用“物以类聚，人以群分”的朴素思想来为用户提供个性化推荐。 一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐，通常需要用到UI矩阵的信息。通常分为用户协同算法（user-based）和物品协同算法(item-based) (a)用户协同算法（user-based）: “人以群分”就是找到与用户兴趣相同的用户(有过类似的行为)，将这些兴趣相同的用户浏览过物品推荐给用户，这就是基于用户的协同过滤算法。

基于用户协同过滤，首先找到相似用户，user1喜欢1、2、3、4,user3喜欢2、3，通过分析，可以将User1 1、4推荐给user3 基于用户协同过滤存在的问题：数据稀疏、计算复杂度较难、出现冷i启动问题。 (b)物品协同算法(item-based)：“物以类聚”就是如果有很多用户都对某两个物品有相似的偏好， 说明这两个物品是“相似”的，通过推荐用户喜欢过的物品相似的物品这种方式为用户提供个性化推荐， 这就是基于物品的协同过滤推荐算法。

首先得到物品与用户的关系后，发现product1和product3经常被用用户user1/user2使用，user3使用的是2和3，因此可以将物品1推荐给3。这就是基于物品协同过滤。 推荐系统的数据分类： explicit（显式）：能准确的反应用户对物品的真实喜好，但需要用户付出额外的代价。如：用户收藏、用户评价。 Implicit（隐式）：通过一些分析和处理，才能反映用户的喜好。如：用户浏览、用户页面停留时间、访问次数。 具体形式如下所示：

对以上算法的融合，既有基于内容的推荐也有协同过滤的推荐。