13046685510

● 在N多年前，用户进入一个购物网站的时候，看到的商品都是一样的，而现在每个用户进入首页的时候，看见的商品列表可能是不相同的；

● 在N多年前，用户进入一个新闻网站的首页，看到的新闻都是一样的，而现在，每个用户进入今日头条的时候，看到的新闻（文章）是不相同的；这些都要归功于推荐系统。

推荐系的分类

● 热门推荐：相当于一个排行榜功能，销售排行、好评排行、阅读排行等等；

● 相关推荐：用户买了一个商品，系统会告诉你类似的商品；用户阅读了一条新闻，这时候系统提示与此相关的内容。

● 个性化推荐：根据用户的历史行为，推荐给用户想要的内容;和相关推荐不同，相关推荐的前提是，要现有一个内容。前两种推荐都比较容易实现，这里主要说一说个性化推荐。

个性化推荐系统的组成

● 日志系统：不要想象成应用日志、Log，这里的日志系统可以看做对用户信息和用户行为的搜集，这是个性化推荐系统的基础数据。

● 推荐算法：个性化推荐算法的核心，根据数据，分析得到推荐的结果。

● 推送服务：得到推荐的结果之后，作用于用户；如在什么场景、时机下推荐。

推荐算法的基本流程

● A：从数据库中拿到用户行为和属性等数据，通过分析不同行为，生成当前用户的特征向量；比如用户特征属性（如性别）、用户关系属性（如好友关系）、用户偏好属性（如喜欢看足球）；每个行业关注的用户特征是不相同的；

● B：不同的物品，也有不同的特征属性，比如对于视频来说，包含地区、导演、演员、类型等；这个模块要做的事情就是连接用户和内容；比如用户喜欢某些特征的内容；利用用户喜欢的内容，寻找与这些内容相似的内容；根据用户特征寻找相似的用户，然后看这些用户喜欢的内容等等；

● C：对初始的推荐列表进行过滤，排名等处理，生成最终的推荐结果。

● 举个比较好理解的例子，你平时使用今日头条，看了那些文章、每篇的停留时间、阅读进度、是否回复和点赞，然后推断出你的阅读偏好，进而给你推荐你感兴趣的新闻。

● 再举个比较出名的例子，就是【啤酒与尿布】的案例；大概意思是年轻的父亲去超市买尿布，父亲在购买尿布的同时，往往会顺便为自己购买啤酒，所以超市尝试将啤酒与尿布摆放在相同区域，结果提升商品销售收入；推荐算法也会挖掘出来事物之间隐藏的关系。