昨天只按了儲存草稿，沒有按到發表文章...
不過未來28天還是要堅持下去~~

功用

隨著網路、電子商務的發展，面對琳瑯滿目的選擇可能會讓人不知所措、無從下手。不論是購物網站、影評、書評、旅遊，這些網路服務正好是推薦系統最常被應用的地方。
對於使用者來說，有了推薦服務讓網站逛起來更輕鬆，找東西更方便。熱心的人們也能透過給分、評論來幫助其他使用者更快速地知道一個商品(或是書、電影...)值不值得消費。
對於網站服務來說，最直接的好處就是讓使用者滿意體驗，進而增加使用者，增加營收。也可能透過「新奇」的推薦，增加商品的多樣性，或是透過推薦系統蒐集的數據，更了解大眾的喜好，以用來調整商品內容。

組成

推薦系統的目的是將 Item 推薦給 User。
Transaction 紀錄使用者與商品的互動，用來計算產生推薦。有可能是明確的，例如評分幾顆星、喜歡/不喜歡，也有可能是比較隱性的，如購買紀錄、瀏覽紀錄...等。一個推薦系統該使用那些 Transaction 最有效，是因 Item 類型有所差異的，屬於各 Item 的商業領域知識。

分類

Content-based

依據 User 過去所選擇的 Item，推薦與之相似、同類型的 Item。
例如一個使用者以前都看喜劇類的電影，系統就會推薦喜劇電影給他。或者使用者都看金庸的書，系統可能會推薦給他同樣作者的書籍。
這個方法的缺點很明顯，如果你過去的選擇都是恐怖片，系統就只會推給你恐怖片。而且，對於一個新加入的使用者，因為沒有任何紀錄，系統就無從推薦起。

Collaborative filtering

選購商品，或是挑選想看的書籍、電影，甚至是新聞、社群媒體的貼文時，我們都經常會被大眾或同儕所影響。Collaborative filtering (協同過濾) 假設兩個 User 過去喜歡的東西很接近，未來他們的選擇也很可能會相近。於是我們可以找出過去行為和你相近的 User，推薦給你這些 User 也喜歡的東西。

其他

以上是比較主流的推薦方法，其他方法可能也會在一些特殊情況作為輔助的方法

• Demographic: 依據 User 的年齡、性別等資訊來做推薦
• Knowledge-based: 隨著不同 Item 的商業領域知識來做推薦
• Community-based: 根據 User 的社群來推薦
• Hybrid: 融合一種以上方法