※ 引述《qddcynthia (温暖的大手)》之铭言：
: 之前面试时遇到的一个假设性问题：
: 公司Ａ的有POS, CRM等系统，想要导入公司Ｂ的即时推荐系统．如果是你公司Ｂ的
: 技术经理。把公司Ａ的资料复制到Ｂ公司准备好的云端系统之前，你会想要先跟
: Ａ公司确认哪些东西？
如果非单纯资料迁移，而是从推荐系统的角度来回答这个问题。
一个完整的推荐系统由三个部分组成：
1.行为纪录模组：负责纪录使用者行为
2.模型分析模组：负责分析使用者行为，以建立合适的模型来描述其偏好
3.推荐算法模组：负责即时从项目集合中筛选出使用者偏好项目进行推荐，又可以分为
：
A.协同过滤（Collaborative Filtering）：搜寻一大群人，从中找到与我们品味相近的一
小群人；算法会针对这些人偏好的其他内容进行计算，产生一个有序的推荐清单。可再
细分为基于使用者（User-based）或基于项目(Item-based)。
B.基于内容（Content-based）：不需要依赖使用者对项目的评价，而是依据使用者已经选
择的项目内容计算使用者之间的相似度。
C.混合法（Hybrid Approaches）：择优汰劣，结合以上两种方法，可再细分为独立系统
相互结合，或协同过滤系统加入基于内容法。
协同过滤法又可以分为两类：
1.基于记忆（Memory-based）：根据系统中所有被评分的项目，得到使用者行为模型进行
预测。
2.基于模型（Model-based）：根据收集评分资料进行机器学习，得到使用者行为模型进
行预测。
推荐系统有三个典型的问题：
1.冷启动（Cold Start）：如何对新使用者进行推荐或如何推荐新项目给使用者。
2.稀疏性（Sparsity）：在任何推荐系统中，已经评分的项目通常比需要推荐的项目数量
少很多，而导致精确度低落之问题。
3.可扩展性（Scalability）：面对日益增多的使用者，资料量急剧增加之问题。