推荐系统有3个重要的模块：用户建模模块，推荐对象建模模块，推荐算法模块。

通用的推荐系统模型流程如下图所示：

具体过程如下：

推荐系统通过分析用户行为，获取用户模型，建立用户画像，进而建立用户模型。

通过分析物品（对象）的信息，建立推荐对象模型。

通过用户画像匹配物品的特征信息，经过推荐算法计算筛选，预测出用户感兴趣的对象，然后推荐给用户。
对于用户建模模块，着重介绍获取用户信息，建立用户模型两个部分。

获取用户信息，即解决模型的输入数据，应该着重关注以下几点：

用户属性：性别、年龄、城市、工作等基本信息。

用户手动输入的信息：如搜索引擎中输入的关键词、反馈的评价、评分等。

用户浏览行为和浏览内容：浏览次数、频率、停留时间、浏览页面时的操作（收藏、保存、复制等），可以通过服务器端的日志获得。

用户模型的建模方法主要有遗传算法、基于机器学习的方法，例如TF-IDF、自动聚类。贝叶斯分类器、决策树归纳和神经网络方法等，这里不再过多赘述。

对于推荐对象建模模块，应该着重考虑以下几个问题：

提取推荐对象的特征是什么，提取的方法，提取的特征用于什么目的。

推荐对象的特征描述和用户对象的描述之间有关联。

提取到的每个推荐对象特征对推荐结果会有什么影响。

推荐对象的特征描述文件能否自动更新。

推荐系统中最后一个比较重要的模块是推荐算法模块，较为重要，因此在03节详细详解。