聊一聊个性化推荐

随着信息的日渐增多，用户需要花费大量的时间，才能找到自己想要的东西。个性化推荐能够解决信息过载的问题，在这个信息爆炸的时代，把用户最想要的内容直接呈现在用户面前。

个性化推荐系统可以分为三个层次。第一个层次，你购买过什么，它能够给你推荐相同类型的物品；第二个层次，它能够为你推荐你需要也比较适合你的其它物品；第三个层次，也是最高的层次，就是它能够基于你的性格、兴趣等个人特性，为你推荐甚至连你自己没想到过却能正中你心意的物品。

个性化推荐最基本算法有两种，一是基于内容的相关推荐，二是基于用户的协同过滤。由于基于用户的协同过滤对用户规模有较高要求，因此更多使用基于内容的相关推荐来切入。此外还有基于标签的推荐、社会化推荐和上下文推荐。

1.基于内容推荐：通过分析用户看过的内容（历史内容等 ）再进行推荐。典型的比如淘宝，通过你浏览过的商品来推荐类似的产品，这种算法的弊端就是你购买了还在推荐有点扰人。

2.基于用户的协同过滤（UserCF）算法，通过用户对不同内容的行为，来评测用户之间的相似性，基于用户之间的相似性做出推荐。这种推荐本质上是给用户推荐和他相似的人感兴趣的东西。典型的比如网易云音乐，通过你收藏或听过的歌曲而找到同样喜欢这些歌的人，把这些人喜欢听的歌推荐给你。

3.基于标签的推荐：内容有标签，用户也会因为用户行为被打上标签，通过给用户打标签或是用户给产品打标签为其推荐物品。典型的是阅读类产品，书籍或漫画很容易进行标签分类，用户阅读某本书后，根据此书的标签向他推荐此标签下的其他书籍。

4.社会化推荐：让好友给自己推荐物品。

5.根据上下文推荐：上下文的数据又可以分为两种，时间上下文与地点上下文。时间上下文就是利用用户访问产品的时间优化推荐算法，或是根据季节性时令性变化进行推荐。地点上下文：根据用户的地理位置进行推荐。典型的比如饿了吗、美团等，根据时间来推荐美食，根据你所在的位置来推荐周围的商家。