传统推荐算法中，主要包含：协同过滤算法 (CF)、基于内容的推荐、混合推荐。
此外，还有常用的隐因子模型，因子分解机 (FM)。
那么它们都有什么区别呢？
协同过滤算法
（物以类聚，人以群分）
算法
协同过滤算法包含两类：基于用户的协同过滤算法、基于物品的协同过滤算法。
（1）基于用户的协同过滤算法，
找到与该用户相似的其他用户，并把其他用户交互的物品推荐给该用户。
（2）基于物品的协同过滤算法，
找到与该用户交互物品相似的其他物品，并推荐给该用户。
可以发现，协同过滤算法的中心思想是计算相似度，在一张庞大的用户-物品交互矩阵（评分矩阵）中，矩阵中的值是用户对物品的打分（rating）。当以用户为主，各个用户向量的长度为物品的个数，值为各个物品的rating，计算各个用户的相似度；当以物品为主，各个物品向量的长度为用户的个数，值为交互过该物品的用户对其的rating，计算各个物品的相似度。
缺点
- 针对用户冷启动、物品冷启动，由于没有历史交互记录，无法通过协同过滤算法进行推荐。
- 当用户/物品增多的时候，同时需要维护一张巨大的用户/物品相似度列表，算法的计算成本也在增加。
计算相似度的方法有很多，比如可以使用余弦相似度找到相似用户/物品。在实现上可以使用sklearn或faiss等工具包进行相似度的计算。
基于内容的推荐
基于内容的推荐，顾名思义是根据物品的内容进行推荐，适用于文本领域，比如新闻推荐等。
但实际上，针对非文本领域的推荐，也可以使用基于内容的推荐，但是核心在于构建用户/物品的画像，根据该画像来找相似用户/物品，即根据用户/物品本身包含的特征，找到相似的用户/物品，来进行推荐。（可以发现基于内容的推荐，同样需要计算相似度，只不过计算相似度的内容变成了用户/物品的特征，而不是交互的评分）
混合推荐
是多角度、多因素的综合考量下的算法。
隐因子模型
（LFM，Latent Factor Model）
上述协同过滤已经知道可以根据用户-物品交互的评分矩阵计算相似度进行推荐，评分矩阵中存在用户-物品之间没有交互记录的空值，如何将这些空值进行补充，即预测用户对该物品的打分，可以使用LFM模型，LFM模型认为用户对某物品的交互出于多个隐性因子的考量，通过将评分矩阵（用户×物品）分解为用户隐因子矩阵（用户×隐因子）和物品隐因子矩阵（隐因子×物品）的形式。
因子分解机 (FM)
FM(Factorization Machine)主要目标是：解决数据稀疏的情况下，特征怎样组合的问题。
- 二阶组合特征
- FM有一个衍生算法FFM（Field-aware FM），大概思路是将特征进行分组，学习出更多的隐式向量V，FM可以看做FFM只有一个分组的特例。FFM复杂度比较高，比较适合高度稀疏数据；而FM可以应用于非稀疏数据，更加通用。
参考：
- 协同过滤之冷启动：https://www.jianshu.com/p/03bf81f9f6d9
- 推荐系统（4）-基于内容的推荐系统：https://zhuanlan.zhihu.com/p/98295397
- 推荐系统-隐因子模型（LFM）：https://blog.csdn.net/sinat_22594309/article/details/86576757
- 前深度学习时代–从协同过滤CF到因子分解机模型FM（附FM模型python实现）。：https://zhuanlan.zhihu.com/p/160244758