一、基于内容的推薦系統(Content Based Recommendations)
所謂基于内容的推薦，就是知道待推薦産品的一些特征情況，将産品的這些特征作為特征變量構模組化型來預測。比如，下面的電影推薦，就是電影分為"愛情電影"、“動作電影”一些特征來進行預測。
上述例子，将電影的内容特征作為特征變量X1，X2，這些電影特征是預先已知的，使用者對電影的打分作為y值。比如一使用者對100個電影都做了打分，那對于該使用者就有了100個樣本值，進而可以利用線性回歸求解出該使用者對應的參數Θ值，這樣每一個使用者都有自己參數Θ。
二、協同過濾系統(Collaborative Filtering)
像上述産品的内容特征其實往往是預先不知道的，這個是比較困難的，那怎麼辦呢？采用協同過濾系統，所謂協同過濾系統，就比如選出使用者對電影的打分，來估出相應的的參數Θ值，進而再利用線性回歸算出相應的電影特征值，根據特征值再次學習出Θ值，循環反複直到收斂，将會得到一組不錯的Θ值與産品特征值。其實也就是使用者幫助模型學習特征，這些特征也可以用來對其他人進行預測，另一層意思就是說大家都在為大家的利益學習出更好的特征。
當然，上述描述的循環反複不斷學習實踐起來會比較麻煩，有一個一勞永逸的方法，可以同時學習出Θ值與特征變量，如下圖：
三、計算兩個産品的相似性。
四、均值歸一化
所謂均值歸一化，就是把每一個電影歸一化為平均評分為0。因為存在一種情況某一使用者對任何一個電影都沒有打過分，這個時候該使用者對應的Θ學出來就全是0，因為在優化的時候，由于沒有對任何電影打分，就相當于沒有一個樣本，隻是優化了正則參數Θ1^2+Θ2^2+...+Θn^2，這樣求解出最小值必然Θ=[0,0,0...,0]，這樣進行預測的時候，該使用者對電影的評分也必然全部為0，沒什麼意義了。是以就需要均值歸一化。具體如下圖：
如上圖所示，采用了均值歸一化後，預測完成後都要再加上均值變量。這樣如果遇到上述描述的沒有打過分的使用者，預測後即使為0，再加上均值向量後，打分就變成了均值分數了。這樣從理論上也說得通，如果一個使用者從沒打過分，也就是沒有該使用者的任何興趣傾向資訊，那麼我們就認為該使用者對此電影的興趣就為一個中間值比較合理。