推荐引擎可抽象成一种特征，每种特征对应成一种推荐策略，结合不同用户需求，调整每个具体特征上所赋予的权重，最终生成特征物品-特征映射{item：Userfeature}，Userfeature为多个特征权重相加后的最终值。
4.常用推荐系统算法4.1常用系统原理介绍
我们从推荐系统具体要解决什么问题以及如何解决问题来剖析原理。
首先，推荐系统要解决的最核心的两个关键点是：如何发现用户感兴趣的物品和如何确定物品之间的关系。其次，每个问题分别如何解决呢？
4.1.1如何发现用户感兴趣的物品
首先，用户主动告诉系统对哪些类型感兴趣。用户自行选定感兴趣的关键词标签，系统将找到与此标签匹配的物品。
其次，通过分析用户行为数据。利用用户在..的历史浏览记录获取能代表用户的关键词，或导入社交数据，获取用户好友列表，从而基于用户好友喜爱物品生成推荐列表。
4.1.2如何确定物品与物品间的关系——相似度
相似度计算原理：所有相似度的计算都是基于矩阵的运算。
第一，基于内容（关键词/标签）。大部分物品都会多维度特征，通过特征从而实现与用户的期望得以匹配，常用的是通过物品内容关键词或是给物品打标签的形式来匹配。
第二，协同过滤。协同过滤也是推荐系统中常用的算法，其分为两种，基于用户和基于物品。
那什么是基于用户呢？
就是找到和你相似的一个小群体，小群体里面喜欢的东西都是你喜欢的，你获得的推荐结果就是这个小群体喜爱的物品集合。
那什么基于物品呢？
基于用户兴趣交集计算物品间的相似度，即喜欢物品i的用户有多少也喜欢物品j，通常用来表示物品间的相似度，同时结合用户历史行为生成推荐列表；用户的历史行为对物品间的相似性也具有一定的贡献度。
