1.基于内容推荐：
根据物品或内容的元数据，发现物品或内容的相关性，然后基于用户以前的喜好记录推荐给用户相似的物品，更适合“用户焦点比较集中”的使用场景，比如垂直领域的内容推送。如图所示：
首先需要对电影元数据建模，计算相似度（当然，只根据类型是不够的，要得到更好的推荐，我们还可以考虑电影的导演，演员等等），然后根据用户历史观看记录进行推荐（根据物品属性构建向量，判断向量的相似性，推荐物品
优点： 不需要其它用户的数据，没有冷开始问题和稀疏问题 能为具有特殊兴趣爱好的用户进行推荐 能推荐新的或不是很流行的项目，没有新项目问题 通过列出推荐项目的内容特征，可以解释为什么推荐那些项目 已有比较好的技术，如关于分类学习方面的技术已相当成熟
缺点： 要求内容能容易抽取成有意义的特征 要求特征内容有良好的结构性 用户的口味必须能够用内容特征形式来表达 不能显式地得到其它用户的判断情况
2.基于协同过滤的：更适合“给用户带点新鲜的东西”的使用场景
UserCF：找到跟TA喜好最相似的其他用户，然后把这些用户喜欢的商品推给TA
ItemCF:找到跟TA喜好最相似的商品，然后推给TA
优点： 能够过滤难以进行机器自动内容分析的信息，如艺术品，音乐等 共享其他人的经验，避免了内容分析的不完全和不精确，并且能够基于一些复杂的，难以表述 的概念（如信息质量、个人品味）进行过滤 有推荐新信息的能力 能够有效的使用其他相似用户的反馈信息，较少用户的反馈量，加快个性化学习的速度
缺点： 稀疏问题（可以先分别对用户和商品进行聚类） 可扩展问题（Scalability） 新用户问题 质量取决于历史数据 开始数据质量差
3.混合推荐系统
