추천 시스템은 콘텐츠 기반 접근 방식, 협업 접근 방식 또는 콘텐츠 기반 및 협업 방식을 결합한 하이브리드 접근 방식을 사용할 수 있습니다.
콘텐츠 기반 − 콘텐츠 기반 접근 방식에서는 이전에 고객이 선호하거나 문의한 항목과 동일한 항목을 추천합니다. 제품 기능 및 텍스트 항목 정의에 따라 다릅니다.
콘텐츠 기반 방법에서는 유사한 사용자가 동일한 다른 항목에 할당한 유틸리티를 기반으로 계산됩니다. 많은 시스템은 웹사이트, 기사 및 뉴스 메시지를 포함한 텍스트 데이터를 포함한 추천 항목을 목표로 합니다. 그들은 항목 간의 공통점을 봅니다. 영화의 경우 같은 장르, 감독 또는 배우를 볼 수 있습니다.
기사의 경우 동일한 용어로 볼 수 있습니다. 콘텐츠 기반 접근 방식은 데이터 이론에 뿌리를 두고 있습니다. 사용자의 취향과 요구 사항에 대한 데이터가 포함된 키워드(항목 정의) 및 고객 프로필을 사용합니다. 이러한 프로필은 명시적으로 얻거나 시간 경과에 따른 고객 거래 행동에서 이해할 수 있습니다.
공동작업 − 협업 방식에서는 사용자의 사회적 환경을 고려할 수 있습니다. 사용자와 취향이나 취향이 같은 다양한 고객의 의견에 따라 상품을 추천합니다.
추천 시스템은 정보 검색, 통계, 기계 학습 및 데이터 마이닝에서 항목과 사용자 선호도 간의 유사성을 검색하기 위한 광범위한 방법이 필요합니다.
추천 시스템의 이점은 전자 상거래 사용자를 위한 개인화, 개발 일대일 마케팅을 지원한다는 것입니다. 협업 추천 시스템이 필요한 분야의 선구자인 Amazon은 마케팅 전략의 한 요소로 "각 고객을 위한 맞춤형 매장"을 제공합니다.
개인화는 사용자와 포함된 회사 모두에게 이익이 될 수 있습니다. 보다 효율적인 사용자 모델을 수신함으로써 기업은 사용자 요구를 더 잘 이해하게 됩니다. 이러한 요구 사항을 충족하면 관련 제품의 교차 판매, 상향 판매, 제품 선호도, 일대일 프로모션, 더 높은 바구니 및 사용자 유지와 관련하여 더 높은 성공을 거둘 수 있습니다.
공동 추천 시스템은 사용자 u에 대한 항목의 유용성을 예측하려고 시도하며 u와 동일한 다른 사용자가 이전에 평가한 항목에 따라 다릅니다. 예를 들어, 책을 추천할 때 공동 추천 시스템은 귀하와 동의한 이력이 있는 여러 사용자를 검색하려고 합니다. 협업 추천 시스템은 메모리(또는 휴리스틱) 기반 또는 모델 기반일 수 있습니다.
메모리 기반 방법은 경험적 방법을 사용하여 이전에 사용자가 평가한 전체 항목 집합을 기반으로 평가 예측을 생성합니다. 항목-사용자 조합의 익명 평점은 유사한 항목에 대한 동일한 사용자의 평점 집계로 계산할 수 있습니다.