What I think about the recommend system

After the class we learn last week, I have a new idea about how we make decisions with the help of recommend system. We usually rely on some suggestions and recommendations when we make decisions, and we face many information that we can not breath well. With the information overload, how can we make a good decision and what we can we make to filter information, and identify items which are relevant to us.

There are three ways that we can use, respectively they are recommender systems, recommendation systems and recommenders. First of all, I want to talk about the recommendation systems. There is an extensive class of Web applications that involve predicting user responses to options. Such a facility is called a recommendation system. The goal of a Recommender System is to generate meaningful recommendations to a collection of users for items or products that might interest them. Suggestions for books on Amazon, or movies on Netflix, are real world examples of the operation of industrystrength recommender systems. The design of such recommendation engines depends on the domain and the particular characteristics of the data available.

There are also three types of recommender systems. They are contentbased recommendation, collaborative filtering recommendation and hybrid approaches. 

Contentbased recommending: These approaches recommend items that are similar in content to items the user has liked in the past, or matched to attributes of the user.

Collaborative Filtering (CF): In CF systems a user is recommended items based on the past ratings of all users collectively.

Hybrid approaches: Thesemethods combine both collaborative and contentbased approaches.

As we continue to integrate more information into recommender systems, and as we expect them to adapt to greater contextual challenges, the problems of algorithmic and system scalability only grow. A key challenge to the field of recommender systems as a whole is the integration of contentbased approaches, collaborative approaches and contextual approaches into comprehensive, practicalrecommender systems. We are already seeing indications of strong interest in this direction. One longrunning challenge is to recommend the next item in a sequence of items to be explored. Such a recommender requires not only ratings of the individual lessons, but also information on sequence and dependency. Similar challenges exist with other forms of context and with recommenders that hope to tap the wide range of implicit behavior that can today be recorded through web browsing behavior.