• 应用：头条，在下方列出相似的、相关的文章；

• 算法：

  • 内容相似，eg：文章的相似，取标题的关键字，内容相似
  • 协同过滤
  • 关联规则挖掘等

• 两个物品被同时看的可能性很大，当一个物品被查看，就给他推荐另一个物品

• 一般指用户的直接行为，比如播放、点击、购买等；
• 用户查看了一个物品，就会再次给它推荐这个物品
• 结合i2i一起使用，就是用户查看以合物品，就会给他推荐另一个相似的物品，就是u2i2i路径；

• 用户查看了一个耳机（u2i），找出和这个耳机相似或者相关的产品（i2i）并推荐给用户
• 对路径的使用，已经从一条线变成两条线
• 方法：就是把两种算法结合起来，先得到u2i的数据，再利用i2i的数据进行扩展，就可以从第一个节点，越过一个节点，到达第三个节点，实现推荐
• 中间的桥梁是item

• 先计算u2u：两种方法
  • 一是：取用户的性别、年龄、职业等人工属性的信息，计算相似性，得到u2u；
  • 一是：从行为数据中进行挖掘，比如看的内容和视频大部分很相似，就可以看作一类人；
  • 也可以使用聚类的方法进行u2u计算
  • u2u一般用在社交里，比如微博、Facebook，推荐感兴趣的人
• userB和UserC相似，如果userB查看了某个商品，就把这个商品推荐给userC；
• 中间的桥梁是user

• 京东，豆瓣，物品的标签非常丰富、非常详细；比如统计一个用户历史查看过的书籍，就可以计算标签偏好的向量：标签+喜欢的强度。

• 用户就达到了tag的节点，而商品本身带有标签，这就可以互通，进行推荐

• 先算出用户的tag偏好，然后匹配item列表

• 这种方法的泛化性能比较好（推荐的内容不那么狭窄，比如喜欢科幻，那么会推荐科幻的所有内容）

• 今日头条就大量使用标签推荐

起始于U，结束于I，中间跨越很多的U、很多的I，可以在图中不停的游走

例如：PersonalRank，不限制一条还是两条线，在图中到处的游走，游走带着概率，可以达到很多的item；但是相比前面一条、两条边的路径，性能不是很好