个性化推荐算法的两种类型？
早期的推荐系统文献中一般从所选取的角度和所采用的技术两个不同的维度对个性化推荐算法进行划分。从选取的角度不同，可以分为基于内容的算法、基于协同过滤的算法，以及混合式算法三大类。从具体技术实现的角度，可以分为基于内存（memory-based）的算法和基于模型（model-based）的算法两种形式
基于内容的推荐是从信息抽取领域自然而然发展起来的一类算法，其出发点是在对文本信息和条目元信息进行整理、建模的基础上，针对用户的不同兴趣偏好进行推送。
与之相对应的，基于协同过滤的推荐并不关心条目的具体属性，而是对用户整体的评分信息进行整理和建模，根据用户行为找出口味相似的用户群或者风格类似的条目，在此基础上进行推荐。由于利用了先验知识，对被推荐的内容有深入了解，基于内容的推荐在可解释性和新用户启动上有一定优势。
而基于协同过滤的推荐在可扩展性、准确性和惊喜程度上都要优于基于内容的推荐。有时我们也分别把这两种方式叫做白盒推荐和黑盒推荐。混合式的推荐则是综合以上两种方法的优点。针对不同的场景和用户群用不同的权重机制给出合理的推荐。严格来说，混合式推荐更像一种算法调度和权重分配机制，用来调整最终推荐结果的优化过程，而非方向性的推荐算法。
