推荐系统本身就是一个巨大的话题，不用说，大量的研究正在进行中。

这本书深入探讨了推荐系统，可能不是你想要的，但它作为参考很有帮助。您似乎不确定这些术语的含义。Berekely AI 课程涵盖了这些主题中的大部分，并且他们的讲座是免费提供的。

看完上面的一些资料，你或许可以做出更好的选择。

决定一个好的策略的最好方法是通过以下两种方式来看待这个：-

• 从评分方法（不推荐）：您可以使用您的数据集测试所有上述算法，并检查哪个给出最好的分数。您可以使用 Sci-Kit Learn 之类的工具来实现所有这些算法，并使用与您的数据集相对应的得分最高的算法并使用该算法。缺点是有时即使得分非常高，数据集也可能与该算法不一致，我的意思是尽管得分很高，但您可能无法获得想要的结果。这就是我不推荐这个的原因。
• 从面向数据集的方法：对于这种方法，您必须仔细研究您的数据集。即使从基于内容的过滤开始也不是一个坏主意。但是根据您的需求和在特定情况下提高精度的必要性，将确保您探索算法来解决该特定问题。这样你就不会用所有不必要的算法给自己压力。您可以开始使用朴素贝叶斯，因为它很容易理解，然后根据您在推荐中的需要，您用于提供推荐的功能从那里选择它。所有这些因素都会发挥作用。通过这种方式，您可以探索使模型更高效所需的方法。