永远没有“银弹”！

在学习任何技术，我们都在思考一个问题，有没有这个行业最好的，能解决所有问题的呢?
就如武侠小说里，所有人都在幻想一种顶级武功，简单易学，克敌制胜，分分钟秒杀敌人那种。
现实是不可能有。我们遇到的各种问题千奇百怪，针对每一件事我们都需要经过辩证的思考，又怎么会有一种技术站在行业的金字塔顶，解决一切呢？
对于推荐算法，作为小白鼠的我，也一直幻想我能不能学一种最NB的，而不用再看其他的，哈哈~
看完本书，基本了解各个推荐算法的基本原理。
1. 基于人口统计学的推荐算法
针对用户定义各种属性，针对特定属性进行分析，比如年龄相近，地域相近，我们可以说这是同一类用户。
但是现实中的情况如此复杂，用户的很多定义也是无法通过属性去定义的，比如三观。所以基于人口统计学的推荐算法，不够严谨，并且后续扩展不易（每时每刻都要增加用户的属性定义）
2. 基于内容的推荐算法
同人口统计学推荐算法一样，不同的仅仅是把人口换成了内容。比如一本书，定义这本书的基本属性，作者，类别等等。通过这些基本属性来找到相似的图书。
算法缺点同人口统计学是一样的。很多产品的属性定义没有那么明确，就会导致推荐系统的不准确。
3. 协同过滤算法
协同过滤算法，是目前最流行的推荐算法。而协同过滤算法也分为两种方式。
第一种，基于物品的协同过滤。基本思想就是：用户购买了IPhone，系统利用庞大的用户数据，计算物品的相似度，即很多购买了IPhone同时购买了IPhone外壳。使用余弦函数。（物品A购买次数 ∩ 购买物品A同时购买物品B的次数）/ （物品A购买次数 ∪ 购买物品A同时购买物品B的次数）。这样就计算出两个物品相似度的余弦值，然后通过排名该余弦值，推荐用户没有购买过的物品给予用户。
基于物品的协同算法，适合于购物网站，例如亚马逊。因为物品本身不多，并且物品的属性不易变更。
第一种，基于用户的系统过滤。基本思想，是计算两个用户之间的相似度。通过用户购买的物品的交集 / 用户购买物品的并集。 来计算两个用户之间的相似度，然后推荐给相关用户喜爱的信息。
基于用户的系统算法，适合于新闻网站，物品相对来讲非常多，且具有非常强的时效性，而用户相对来讲是比较少的
4. 基于标签的推荐算法
基于标签的推荐算法，是利用标签把用户和物品结合起来的算法，很好均衡了用户和物品之间的关系。
基本思想是：用户有经常使用的标签数据。 而每个物品都有标签，在每个标签下就会有最热门的物品。利用用户的标签数据，来匹配最热门的标签物品，推荐给用户信息。
不同的推荐算法，适合于不同的应用。或者需要结合多种推荐算法一起使用才能达到最后的效果。
了解这些推荐算法的类型，只是入门级别。进一步还需要深入进行研究，例如推荐算法的惩罚因素等等。
共勉。