简单来说基于物品的协同过滤算法是说我会推荐给你和你喜欢物品相似的物品，而基于用户的协同过滤算法是说我把和你相似的用户喜欢的东西推荐给你。为什么叫协同过滤呢，因为我们是利用用户的群体行为来作这些相似操作的。计算物品的相似的时候我们比较不同的人来对他打分来比较，同样计算用户相关性的时候我们就是通过对比他们对相同物品打分的相关度来计算的。

    随着信息技术和电子商务技术的飞速发展以及互联网的普及，电子商务网站层出不穷。由于旅游产品本身具有无形性、不可储藏和非物质性等特点，并且不存在物流配送问题，使得旅游电子商务更容易运作。例如，全球知名的Expedia 网站，以及我国的携程和艺龙旅行网等。有了面向旅游者的信息系统，可以更好地为游客提供查询相关信息和预定的服务，但是由于网站信息和服务缺乏个性。我们看到的大多数旅游机构的网站，通常是国内外其他旅游网站的翻版，缺乏鲜明的个性特色。虽然大多数旅游网站对旅游景点和酒店都有介绍，但内容不全面且更新缓慢，很难吸引客户的关注和兴趣。网站服务项目单一，例如旅游线路、景点介绍、游记作品似乎已经成为必不可少的板块，但这些内容仅限于浏览。自助旅游、虚拟实景旅游等能与客户产生良好互动的项目却较少涉及。让游客在选择时迷茫、耗时，导致客户预订的成功率较低，旅游电子商务发展受阻。

    类目（种类）推荐杂很多情境下行不通，因为有太多的产品属性，而每个属性（比如价钱，颜色，风格，面料，等等）在不同的时候对于消费者的重要程度都是不一样的。取而代之的是协同过滤推荐系统。但是协同过滤推荐系统也不是那么完美无缺，他或多或少的会有那么一些问题~ 1、数据稀疏问题 协同过滤的精度主要取决于用户数据的多少。如果一个系统有很多用户的历史数据，他就能更好的对用户的喜欢做出预测。所以，目前推荐系统做的最好的都是那些有着很大量用户数据的公司，比如Google, Yahoo, Netflix, Amazon等等。一个好的推荐系统首先需要类目（种类）数据（从目录或者其它形式得到），然后系统必须捕获并且分析这些用户数据（用户行为），然后，再应用神奇的算法工作。分析越多的类目（种类）和用户数据，系统越有可能生产好的推荐。但是，这又是一个蛋和鸡的问题：要形成好的推荐，首先需要有大量的用户，这样才能得到大量

    1 概述 推荐系统是一种智能化电子商务应用，可以协助用户搜索信息，为用户提供个性化的产品推荐。旅游推荐系统的目的是支持旅行者在旅游前和旅游中面临的重要旅行规划决定。此类系统明确(通过问)或暗示(通过挖掘用户的在线活动日志)获取用户需求，并提供各种产品和服务，如前往目的地、兴趣点、事件或活动。近年来，研究者设计了很多旅游推荐系统，某些已经运行于主要的旅游门户网站。 传统推荐系统支持很简单的非交互检索流程：在...

    微博的产生和传播信息的形式虽比较新，信息量增大之后，会面临垃圾信息和重复信息的问题，推荐系统也会有用武之地。 在新注册之后，会推荐人气用户以供初始化，在SNS中常见的做法是导入邮箱或者MSN中联系人，或者像Kik Message手机客户端扫描用户的手机联系人。对于社会化严重的应用更需要利用已有关系网来完成产品初始化，并且再形成产品在关系网中传播，造成产品用户的指数型增长，像早期的QQ、邮箱或者手机这样一个个手动添加联...

    除了分类查找和主动搜索，推荐系统也是用户浏览商品的重要途径，能帮助用户发现类似并感兴趣的产品，增加商品的访问量，将访问者转化为购买者，引导用户购买。最终产生的价值是提升用户购物体验和用户粘度，提高订单量，如Amazon30%的订单来自推荐系统。 相比于精准营销广告，推荐系统产生的信息更为自然，同样能起到推销商品的目的。但是如果推荐系统的信息过于密集或者不精准，也会有成为垃圾信息之嫌。如在当当网已登录情况下查...

    

采用基于数据挖掘的算法来实现推荐引擎是各大电子商务网站、SNS社区最为常用的方法，推荐引擎常用Content-Based 推荐算法及协同过滤算法（Item-Based 、User-based）。但从实际应用来看，对于大部分中小型企业来说，要在电子商务系统完整采用以上算法还有很大的难度。

    推荐系统很少有单独的产品形态，多是和其他产品相结合，起到辅助的使用效果。如个人平时使用较多的推荐系统有输入法的字词联想、购书网站中书籍推荐、音乐电台的猜用户喜欢的音乐和谷歌阅读器的推荐条目。 对于豆瓣音乐频道使用较少，虽然对音乐没什么研究，也不会买什么专辑或者听演唱会，但是很喜欢听音乐，有边工作边听音乐的习惯。豆瓣电台迄今累计收听13670首、喜欢136首和不喜欢666首，算是电台的重度用户吧，个人操作行为有...