先推荐几篇关于推荐的文章，个人感觉对于入门很有实际意义，是IBM的工程师写的，如下：
探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探
探索推荐引擎内部的秘密，第 2 部分: 深入推荐引擎相关算法 - 协同过滤
探索推荐引擎内部的秘密，第 3 部分: 深入推荐引擎相关算法 - 聚类
推荐，就是把你可能喜欢的商品，推到你的面前。构建一个推荐系统，就是构建如何把商品推到你面前的过程。
经常听到人说，推荐就是算法，在接触推荐系统之前，我也以为推荐就是算法，一说到算法，可能就以为很高深了，也很唬人，立马产生一种膜拜之感，也就变得神秘起来了。
当我真正完完整整的接触到推荐系统，达到一个入门级水平，可以独立构建一个千万级PV电子商务网站的推荐系统之后，以前的认知也改变了，我现在的观点是：
推荐是一个整体的计算过程，在编码中，关于算法的部分所占的工作量可能1%都不到；
构建一个千万PV级别的推荐系统相对容易，一天的日志不过几百M，计算过程中的数据，单台机器的内存可以存下，当PV达到几亿几十亿时，就需要进行稍微复杂一点的分布式计算了；
推荐的计算方法很多，如何选择，效果难以预料，只有通过横向和纵向多做效果分析，才有意义。
Web访问日志、购买、收藏，这些实际是用户的行为数据；
用户，这是分析的基础数据；
商品，这是分析的基础数据；
如何标记同一个未登陆用户；如何找出未登陆用户和登陆用户是用一个人。
这是很重要的，这是以后日志分析计算的基础。
根据用户行为数据，分析出用户和商品的关系；用户<-->浏览、用户<-->购买、用户<-->收藏等。
根据第一步计算的数据，分析中常用的推荐结果，比如根据浏览数据，计算出“看了又看”，根据购买数据，计算出“买了又买”等。
算法，是广义的，数学公式；规则，是小众的，公司自己定义的，复杂自己场景的业务规则，在计算过程的第二步，计算最终的推荐结果时，大部分使用的都是自行定义的业务规则。
以推荐“看了又看”为例，根据一个商品，如何推荐出其他商品呢：
可以就根据这个推荐类型的基本含义，一个商品 ---> 看了这个商品的很多人，又看了 ---> 很多的商品，这就是推荐结果了，但是这个推荐结果有非常非常多，如何推荐呢？
可以推荐购买次数最终的，推荐最新的，推荐两个商品的View人群最相似的......
这就没有什么了，都是通用的。
基于业务的，推荐效果的评价体系；
基于技术的，大数据量时的分布式计算
前置项目：这个相关项目就比较多了，网站、商品、订单，都有相关性。
最新源码：git clone git@github.com:pumadong/cl-recommend.git 。