推荐系统在不同领域的应用实例：
1.图书影音：Netflix、Youtube、MovieLens、豆瓣、网易云音乐
2.新闻资讯：Google News、今日头条、知乎、Hulu
3.人际社交：Facebook、Twitter、微博、人人网
4.旅游出行：Wanderfly、TripAdvisor、蚂蜂窝、去哪儿
5.电商零售：亚马逊、淘宝、天猫、京东
基于用户推荐算法和基于物品推荐算法对比
冷启动问题：
如Jimni和Pandora，很多在开始阶段就希望有个性化推荐应用的网站来说，如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统，就是冷启动的问题。
冷启动问题（cold start）主要分3类。
口用户冷启动用户冷启动主要解决如何给新用户做个性化推荐的问题。当新用户到来时，我们没有他的行为数据，所以也无法根据他的历史行为预测其兴趣，从而无法借此给他做个性化推荐。
口物品冷启动物品冷启动主要解决如何将新的物品推荐给可能对它感兴趣的用户这一问题。
口系统冷启动系统冷启动主要解决如何在一个新开发的网站上（还没有用户，也没有用户行为，只有一些物品的信息）设计个性化推荐系统，从而在网站刚发布时就让用户体验到个性化推荐服务这一问题。
解决办法：
口提供非个性化的推荐非个性化推荐的最简单例子就是热门排行榜，我们可以给用户推荐热门排行榜，然后等到用户数据收集到一定的时候，再切换为个性化推荐。
口利用用户注册时提供的年龄、性别等数据做粗粒度的个性化。
口利用用户的社交网络账号登录（需要用户授权），导入用户在社交网站上的好友信息，然后给用户推荐其好友喜欢的物品。
口要求用户在登录时对一些物品进行反馈，收集用户对这些物品的兴趣信息，然后给用户推荐那些和这些物品相似的物品。
口对于新加入的物品，可以利用内容信息，将它们推荐给喜欢过和它们相似的物品的用户。口在系统冷启动时，可以引人专家的知识，通过一定的高效方式迅速建立起物品的相关度表。
解决用户冷启动问题的另一个方法是在新用户第一次访问推荐系统时，不立即给用户展示推荐结果，而是给用户提供一些物品，让用户反馈他们对这些物品的兴趣，然后根据用户反馈给提供个性化推荐。很多推荐系统采取了这种方式来解决用户冷启动问题。
推荐系统架构：
图7-1表示了推荐系统和网站其他系统的关系。一般来说，每个网站都会有一个UI系统，UI系统负责给用户展示网页并和用户交互。网站会通过日志系统将用户在UI上的各种各样的行为记录到用户行为日志中。日志可能存储在内存缓存里，也可能存储在数据库中，也可能存储在文件系统中。而推荐系统通过分析用户的行为日志，给用户生成推荐列表，最终展示到网站的界面上。
根据上面的抽象，可以设计一种基于特征的推荐系统架构。如图7-3所示，当用户到来之后，推荐系统需要为用户生成特征，然后对每个特征找到和特征相关的物品，从而最终生成用户的推荐列表。因而，推荐系统的核心任务就被拆解成两部分，一个是如何为给定用户生成特征，另一个是如何根据特征找到物品。
如果要在一个系统中把上面提到的各种特征和任务都统筹考虑，那么系统将会非常复杂，而且很难通过配置文件方便地配置不同特征和任务的权重。因此，推荐系统需要由多个推荐引擎组成，每个推荐引擎负责一类特征和一种任务，而推荐系统的任务只是将推荐引擎的结果按照一定权重或者优先级合并、排序然后返回（如图7-8所示）。
推荐引擎架构主要包括3部分。
该部分负责从数据库或者缓存中拿到用户行为数据，通过分析不同行为，生成当前用户的特征向量。不过如果是使用非行为特征，就不需要使用行为提取和分析模块了。该模块的输出是用户特征向量。
该部分负责将用户的特征向量通过特征-物品相关矩阵转化为初始推荐物品列表。
该部分负责对初始的推荐列表进行过滤、排名等处理，从而生成最终的推荐结果。
还在陆续更新，请密切关注。。。
