首先，商品推荐可以分为个性化推荐和大众化推荐。

大众化推荐是在不考虑顾客自己兴趣的情况下，给顾客推荐大多数顾客感兴趣的商品，比如基于商品的协同过滤算法。

个性化推荐又可以分为被动推荐和主动搜索两类。主动搜索是知道顾客的喜好，根据顾客的喜好推荐商品的一类算法，比如基于商品的相似性推荐，通过顾客的搜索关键词推荐归类商品。被动推荐是本文主要介绍内容，其核心是在不知道顾客兴趣的情况下，猜测顾客感兴趣的商品，从而给出推荐。

下面介绍的User CF（基于顾客的协同过滤算法）、Item CF（基于商品的协同过滤算法）、逻辑回归、矩阵分解都属于被动推荐。

用于商品推荐算法的特征数据主要包括顾客画像和商品画像，通俗点说就是顾客标签数据、顾客行为数据和商品属性数据。

比如顾客标签数据包括性别、年龄、职业等；顾客行为数据包括评分、分享、收藏等；商品属性数据包括类目、价格、尺寸等。

接下来，小编给大家介绍几种常见的算法。

User CF方法就是基于顾客对商品的偏好找到相似顾客，给顾客推荐相似顾客购买而自己未购买的商品。

例如，顾客1与顾客4购买过的相同商品个数最多，而顾客1没有购买过商品b，那么就可以给顾客1推荐商品b。

注：以上表格旨在举例说明User CF算法的核心原理，表格中的数据是顾客之间相似度的近似值，未考虑顾客购买商品总量的影响，即下面计算公式中分母置为1所得。

举例：假设u为顾客1，v为顾客4，这里不考虑顾客购买商品总量的影响，则r = 3/1=3。

换言之，其含义就是顾客1和顾客4购买的相同商品数为3。

算法涉及的具体公式如下:

注：M(u)、M(v)分别代表顾客u和顾客v购买的商品集合，S(u,k)代表与顾客u最相似的k个顾客，U(i)代表购买过商品i的顾客集合。

此处展示的仅以购买过的商品作为顾客相似度的计算依据，还可以增加顾客画像来计算顾客相似度。

Item CF方法基于商品被顾客的喜好找到相似商品，给未购买相似商品的顾客推荐相似商品。例如，商品a和商品d被顾客同时购买过的次数最多，而顾客2购买过商品d却没有购买过商品a，那么可以给顾客2推荐商品a。

注：以上表格旨在举例说明Item CF算法的核心原理，表格中的数据是商品之间相似度的近似值，未考虑商品被购买的顾客总量的影响，即下面计算公式中