推荐流程

所有的推荐系统的工作流程基本相似，首先是分析用户的可用信息。然后根据分析结果创建用户模型(或用户配置文件)，该模型包含推荐过程所需的信息，然后选择最合适的项目(s)推荐给当前用户。最后(也是最重要的)是为用户提供一个反馈机制，使得推荐系统能够跟踪用户的满意度相应地调整用户模型。

1) 用户模型

用户模型在一些推荐系统模型中作为单独的数据结构独立于算法本身 ，而在另一些模型中作为算法的一部分 或被作为一个项目评分向量的集合。无论如何应用，用户模型的目的是存储推荐算法所需的信息。这些信息包括用户基本信息(如性别、年龄、姓名等)，访问或者购买历史，用户的反馈(评分、评论)，以及算法的具体数据(SVM向量，特征值，最近邻居列表等等)。因此，用户模型根据推荐算法不同而不同，这些不同严重限制了用户模型在不同系统和内容类型之间的可移植性。

2) 生成推荐

当用户访问该系统时，系统生成当前用户系统模型，根据用户的在该模型中的信息并依据具体实现的算法生成推荐。算法包括基于内容的推荐(CBR)，协同过滤推荐(CF)以及其他推荐算法。无论采用哪种算法，系统计算每个项目的相关性得分，并按照从高到低的方式排序，选择列表中前N项作为最终推荐项目，推荐列表的呈现形式取决于平台的类型和内容，最后，系统还会跟踪用户是否从列表中选择任何项目，并收集反馈信息。

反馈信息是推荐过程的一个重要组成部分，因为推荐系统通过分析用户与项目的交互信息来优化推荐系统模型，反馈信息包括直接反馈和间接反馈两个方面。

近年来，推荐系统领域的研究已经从简单的项目预测转移预测过程中方法的优化，个性化推荐目前遇到的挑战主要包括数据稀疏性、冷启动、大数据问题以及过度拟合等。

推荐系统成功的建立用户模型，并为用户持续的提供最适合的项目，这时就产生了新的问题，因为系统会一直根据用户的兴趣偏好进行推荐，而这种推荐所涉及的项范围往往非常窄。而当用户表现出对某一项目强烈的偏好，并提供明确的反馈时，这一问题表现得尤为显著。导致这一问题的原因是系统根据用户的偏好创建一个偏好明显的推荐模型，因此无法检测任何其他类型的新奇的项目 ，这种情况被称为过度拟合。