1/README.md

# 1
1.什么是推荐系统:
推荐系统是在信息过载的时代根据用户的历史数据找到用户感兴趣的物品，进而实现个性化推荐的系统。
2.常见的推荐算法有哪些？具体原理？
基于流行度的推荐算法；基于内容的推荐算法；协同过滤推荐算法。
基于流行度的推荐算法比较简单粗暴,主要是对热点商品或者信息的推荐。它主要是根据PV、UV、日均PV或分享率等数据来按某种热度排序来推荐给用户；
基于内容的推荐算法:根据用户过去喜欢的产品（本文统称为item），为用户推荐和他过去喜欢的产品相似的产品。该相似度不是通过ItemCF进行实现，而是通过抽取物品内在或者外在的特征值，实现相似度计算。
协同过滤推荐算法:所谓协同过滤算法，基本思想是根据用户的历史行为数据的挖掘发现用户的兴趣爱好，基于不同的兴趣爱好对用户进行划分并推荐兴趣相似的商品给用户
3.日常生活中系统的应用场景有哪些，举例说明如何应用的？
今日推荐 (Today’s Recommendation For You): 通常是根据用户的近期的历史购买或者查看记录，并结合时下流行的物品给出一个折中的推荐。
新产品的推荐 (New For You): 采用了基于内容的推荐机制 (Content-based Recommendation)，将一些新到物品推荐给用户。在方法选择上由于新物品没有大量的用户喜好信息，所以基于内容的推荐能很好的解决这个“冷启动”的问题。
捆绑销售 (Frequently Bought Together): 采用数据挖掘技术对用户的购买行为进行分析，找到经常被一起或同一个人购买的物品集，进行捆绑销售，这是一种典型的基于项目的协同过滤推荐机制。
别人购买 / 浏览的商品 (Customers Who Bought/See This Item Also Bought/See): 这也是一个典型的基于项目的协同过滤推荐的应用，通过社会化机制用户能更快更方便的找到自己感兴趣的物品。