协同过滤算法一般分为两类：
内容推荐 内容源经过内容分析，得到结构化的内容库和内容模型，也就是物品画像。用户这一端：用户看过推荐列表后，会产生用户行为数据，结合物品画像，经过用户分析得到用户画像。之后对于那些新的物品，经过相同的内容分析后就可以经过推荐算法匹配，计算得到新的推荐列表给用户。
文本数据 对于用户这一端，产生的文本数据主要有用户注册时填写的信息，用户的评论等，而物品这一端也会产生大量的文本数据，主要包括物品的标题、描述和物品其他文本属性等，我们可以通过这些数据构建物品画像，从而丰富我们的用户画像。
什么是推荐系统的用户画像 用户画像又叫做User Profile，主要用于营销领域，营销人员需要对营销的客户有更精确的认识，从而能够更有针对地对客户和市场制定营销方案。当传统的营销领域，是以销售人员为第一人称视角去看待客户的，也就是用户画像是为销售人员服务的。这种用户画像一般会出现在高大上的 PPT 中：用标签云的方式绘制一个人的形状，或者使用人口统计学属性来表达一个人物形象，以此来表达“用户画像”这个概念。
推荐系统的问题模式 我们知道，推荐系统的使命就是向用户推荐那些用户有可能交互的物品，所以推荐系统需要事先找出那些隐藏的物品呈现给用户，这是一个预测问题；而推荐系统从达成的连接目标角度区分，可以分为两大类： 评分预测