在任何讀到推薦系統的地方，你都會發現一種分類方法：基於記憶的推薦系統與基於模型的推薦系統。看到一些對此分類的糟糕解釋，我決定嘗試儘量簡略的解釋它。        基於記憶的方法使用使用者之間（協同過濾）或物品之間（基於內容的推薦）的聯絡（相似性）這一資料（贊、投票、點選等等）來給使用者u推薦他從來沒見到的物品i。在協同過濾例子中，從與使用者u最相似的使用者組裡的物品集來推薦，因此物品是協同合作的。與此相反，基於內容的推薦嘗試比較物品的特性如電影型別、演員、原書的出版社等來推薦相似的新物品。簡單地說，基於記憶的方法嚴重地依賴簡單的相似性度量（比如餘弦相似性、皮爾森相關係數等）來把相似的使用者或物品匹配起來。如果有一矩陣，其中每一行是一個使用者，每一列代表一個物品，則基於記憶的方法對這一矩陣的行或列使用相似性度量來獲得一個相似度值。        另一方面基於模型的方法嘗試更進一步地填充上面說的矩陣，它們嘗試量化一個使用者會多麼的喜歡他們之前沒有遇到的物品。為達此目的，基於模型的方法使用一些機器學習演算法來對物品的向量（針對一個特定的使用者）來訓練，然後建立模型來預測使用者對於新的物品的得分。流行的基於模型的技術是貝葉斯網路、奇異值分解和隱含概率語義分析。         原文連結：