1、现有推荐算法
商品推荐系统根据算法分为基于内容，协同过滤和混合的推荐系统，这些算法目前都具有些局限性
1.1基于内容的推荐算法
算法的核心思想和关键步骤
基于内容的推荐算法起源于信息检索，通常用来推荐包括文本信息的文档信息的文档，网页和新闻等，即向用户推荐与他们过去喜爱的商品相似的商品，这个有两个关键步骤
第一，表示商品和用户喜好，一件商品定义为一个商品档案，包括商品的特征属性：一个 用户定义为一个用户档案，包括用户喜好，即该用户过去给予较高评分的商品的共同特征、商品用户档案都是由关键词组成，分别使用带权重的关键词向量来表是商品和用户，形式如（Key,value）通常；
第二，评估商品是否符合用户喜好，使用相似度量方法例如余弦相似度，计算商品，用户向量，W1,W2之间的相似度sim(p,u)
其中K表示商品和用户档案中所有关键词的数量，商品，用户向量相似度越大商品越符合用户喜好。
除了使用上述信息检索算法，基于内容的推荐系统还会使用机器学习算法，例如利用聚类，决策树，和贝叶斯分类器等进行推荐，其原理是根据商品的特征属性和用户评分，其原理是根据商品的特征属性和用户评分，训练出一个用户喜好模型使用模型计算该商品的条件概率，来预测用户是否会喜爱某件未知商品；
算法的局限性
基于内容的推荐算法的局限性有两点
（1）商品特征属性的提取，该算法需要提取足够多的商品特征属性来总结用户喜好，然而对于多媒体数据，如图片和视频等，提取特征属性比较困难；
（2）推荐商品过分拟合，推荐商品的特征属性仅限于用户过去喜爱的商品特征属性，导致推荐列表缺乏多样性，尤其是对新型商品而言，这种推荐算法完全失效；
1.2协同过滤算法
目前亚马逊等电子商务网站都使用这个推荐，都采用协同过滤算法：找到与用户有相似喜好的用户，向用户推荐相似用户过去喜爱的商品，该算法有两个关键步骤
第一，生成相似用户，对一个用户，找到与该用户有相似喜好的一组用户，并且把这组用户评过分的商品作为候选的推荐商品，一个用户包含一组购买历史，即用户评过分的商品和相应评分；使用用户的商品评分向量来表示用户，通常使用person关联度量公式，计算两两用户向量R1,R2之间相似度SIM(X,Y)
对一个用户，选择与其相似度由高到低排名前N个用户作为相似用户；
第二，预测商品评分，对一个用户，根据相似用户给候选商品的评分，预测该用户给候选商品的评分，推荐系统中的协同过滤算法根据预测商品评分的不同方法分为两类，基于记忆和基于模型的算法，前者计算一组相似用户U给候选商品
其中K表是规归一化因子子：后者使用概率模型建模，计算用户喜爱某件候选商品的概率
因为该算法计算了用户之间的相似度，所以又称为基于用户的协同过滤算法
算法局限性
协同过滤算法的局限性有两点：
（1）用户评分稀疏性，该算法需要用户给足够多的商品评分来计算用户的相似度，然而，一方面，新用户，新商品的评分较少：另一方面，一些用户较未独特，他们评过分的商品可能没有其他用户的评分，导致这些用户很难找到相似的用户，影响了推荐的准确性；
（2）算法的可扩展性，随着网上商品和选择网上购物的用户数量呈现爆炸式增长，生成相似用户的算法可扩展性成为急需要解决的问题；
1.3混合的推荐算法
混合算法是融合了基于内容推荐和协同过滤这两种算法的推荐算法，使用混合的推荐算法能够在一定程度上避免两种算法各自的局限性。现有混合推荐算法主要分为三类，第一类，合并单独实现的两种推荐算法，第二类，在协同过滤算法中使用基于内容的推荐算法的特性，即额外使用用户档案，计算用户之间的相似度，这一定程度上解决了协同过滤算法中存在用户评分稀疏性问题；第三类，构建一个同时实现两种算法的模型；
