推荐算法一般分为协同过滤、基于内容推荐、混合推荐三大基础大类，另外还有基于知识推荐、基于上下文推荐、深度学习推荐等，工程上几乎不会单独只用某一类，大多是多种组合。
一、协同过滤 CF（Collaborative Filtering）
核心思想：物以类聚，人以群分，不需要物品本身特征，只依赖用户行为（点击、收藏、购买）。
基于用户的协同过滤 User-CF 找兴趣相似的用户 A、B，把 A 喜欢但 B 没看过的物品推荐给 B。
优点：能挖掘长尾、发现新兴趣；
缺点：用户量大时计算相似度开销高；新用户冷启动问题。
基于物品的协同过滤 Item-CF 计算物品之间相似度，用户买 / 看过 A，就推荐和 A 相似的 B。
优点：物品相对稳定，离线可预计算；解释性强（“购买此商品的人还买了”）；
缺点：物品量大时相似度矩阵爆炸；新物品冷启动。
模型化协同过滤：矩阵分解 MF 把用户 - 物品评分矩阵，分解成用户隐向量、物品隐向量（Embedding）。 经典：SVD、FunkSVD、ALS。
是早期工业界最主流的召回算法，把用户、物品压缩到低维向量空间做相似度计算。
二、基于内容的推荐 Content-Based
核心：用户喜欢什么属性，就推同属性物品，依赖物品标签 / 特征。
例子：喜欢科幻电影 → 推荐其他科幻片；喜欢 Java 技术文章 → 继续推 Java 内容。
步骤：物品特征提取（文本、标签、类别）→ 用户画像（用户喜欢的特征集合）→ 匹配打分。
优点：无新物品冷启动（只要物品有特征就能推），可解释强，不存在用户隐私问题；
缺点：容易推荐同质化内容（信息茧房）；很难挖掘用户潜在兴趣；特征质量高度依赖人工打标。
三、混合推荐算法（工业最常用）
单一算法都有短板，实际平台基本都是混合，常见组合方式：
加权式：CF 打分 + Content 打分加权求和；
切换式：冷启动阶段用内容推荐，用户行为积累后切协同过滤；
特征组合式：把内容特征、用户行为特征一起喂给模型（现在深度推荐主流）；
层叠式：召回 + 粗排 + 精排 + 重排（大厂标准推荐链路）
召回：多路召回（ItemCF、向量召回、热门召回、内容召回），从千万级物品粗筛千级候选；
粗排：轻量模型，快速过滤；
精排：复杂模型，预估 CTR/CVR；
重排：多样性、公平性、业务规则调整。
四、传统其他类型
基于知识的推荐 Knowledge-based 利用领域知识、规则、约束做推荐，不依赖历史行为。适合冷启动场景，比如家装、房产、汽车这类低频高价商品。
基于上下文推荐 Context-aware 把时间、地点、设备、场景作为特征。例如通勤时段推短视频，晚上推直播。
五、深度学习推荐模型（现在主流）
把用户、物品、行为、上下文全部转为 Embedding，学习高阶特征交叉，多用于精排阶段：
DNN：基础深度网络，学习非线性特征；
Wide&Deep（Google）
Wide：记忆能力（记住历史强关联，类似 CF）
Deep：泛化能力（挖掘新组合兴趣，类似内容推荐）
DeepFM：自动做一阶、二阶特征交叉，不用人工构造交叉特征；
xDeepFM：显式高阶特征交叉；
DIN（阿里深度兴趣网络）：注意力机制，针对用户历史行为做兴趣激活（电商推荐经典）；
DIEN：在 DIN 基础上建模兴趣演化，捕捉用户兴趣随时间变化；
SIM、DSIN：继续升级长序列用户兴趣建模；
向量召回模型（双塔模型 Two-Tower） 用户塔、物品塔分别输出 Embedding，向量相似度做召回，抖音、快手、小红书大量使用。
六、其他补充策略（不算核心算法，但非常重要）
热门 / 流行度推荐：新用户冷启动兜底，推荐爆款；
规则推荐：人工策略（新品、运营活动、过滤黑名单）；
多目标优化：同时预估点击、停留、分享、转化；
强化学习推荐：把推荐当成序列决策，长期收益最大化；
大模型推荐：LLM 做用户理解、物品标签生成、召回、重排、推荐理由生成（近年新方向）。