当前推荐场景：
当前针对与商品/音乐的推荐系统，主要研究是Learning to Rank 和 Rating Prediction，即推荐Top-N item和用户打分估计。
当然还有其他的方面，如广告点击率预估（CTR），兴趣点估计（POI，基于地理位置），股票预估(使用点过程（Point Processes）），新闻推荐（结合topic model、context）等。
推荐算法的分类：
依据推荐结果是否因人而异：主要分为大众化推荐和个性化推荐
依据推荐方法的不同
1.基于人口统计学的推荐 (Demographic-based Recommendation)
2.基于规则的推荐 (Rule-based Recommendation)
3.基于内容的推荐 (Content-based Recommendation)
4.基于协同过滤的推荐 (Collaborative Filtering-based Recommendation)
5.混合型推荐系统 (Hybrid Recommendation)
协同过滤的种类:
根据用户-物品的打分矩阵，计算物品的相似度或者用户的相似度，基于相似物品或相似用户进行推荐。
这种推荐是基于向量空间的计算，而非对内容的分析。协同过滤主要分为以下三种：
1.基于用户的协同过滤推荐 (User-based Collaborative Filtering Recommendation)
2.基于项目的协同过滤推荐 (Item-based Collaborative Filtering Recommendation)
3.基于模型的协同过滤推荐 (Model-based Collaborative Filtering Recommendation)
基于模型的协同过滤:
a. 用关联规则做协同过滤：Apriori、FP Tree、PrefixSpan算法等；
b. 用聚类算法做协同过滤：K-Means、BIRCH、DBSCAN、Spectral Clustering等聚类算法；
c. 用分类算法做协同过滤：逻辑回归、朴素贝叶斯算法等；
d. 用回归算法做协同过滤：Ridge回归、线性回归、决策树、支持向量机回归等；
e. 用矩阵分解做协同过滤：由于传统的SVD要求矩阵不能有缺失数据，但打分矩阵比较稀疏。目前主流的矩阵分解推荐算法有FunkSVD、SVD++，和传统的SVD的最大区别是不再要求将矩分解为UΣV^T的形式，而是得到两个低秩矩阵P^T Q的乘积形式；
f. 用神经网络做协同过滤：限制玻尔兹曼机(RBM)、CNN、RNN、Attention等；
d. 用图模型做协同过滤：SimRank系列算法和马尔可夫模型算法；
g. 用隐语义模型做协同过滤：主要是基于NLP，涉及对用户行为的语义分析来做评分推荐，主要有隐语义分析(LSA)和隐含狄利克雷分布(LDA)等。
h. 基于集成学习方法和混合推荐： 梯度提升决策树(Gradient Boosting Decision Tree ,GBDT)等;
矩阵分解（协同过滤）扩展（自己的总结）：
Limitation：user-item的关系矩阵进行分解得到user和item的latent feature representation，但是受限与user-item pair，item与item之间存在的关联性无法显性的去刻画，所以现在很多算法聚焦于item-item：
1、其主要思想是构建basket或者是session，basket和session中的itemA与itemB同时出现，存在着相似度，而这个相似度可以用SPPMI或者其他数据挖掘中计算相似度的方法计算得到，得到这个相似度Sij后，一种方法：矩阵分解得到的qi·qj==Sij，从而使得qi、qj中也包含了其相似度关系，即添加了item-item的情况；
2、构建一个item graph，采用pagerank算法中random walk思想，求得最后的转移矩阵，item i与item j之间的相似度就可以通过转移概率来刻画，然后再通过qi·qj==Si添加了item-item的情况。这就是现在经常使用的network embdding的方法；
3、……（SorC）