一、推荐的分类
1.热门推荐
2.精选推荐：根据公司需求、深度人工干预。
二、个性化推荐详解
1.个性化推荐的定义：
个性化推荐是特定场景下，结合用户画像、历史行为等，通过合理算法或规则将正确的数据推荐给正确的用户，实现千人千面的个性化推荐。
2.个性化推荐的作用：
对用户来讲：解决了信息过载的问题，帮助用户快速发现感兴趣和高质量的信息，减少操作成本。在用户没有明确目的的时候帮助他们发现感兴趣的新内容。对平台来讲：增加用户使用时长、增加用户粘性，有利于提高留存率。提高长尾内容的利用率，避免马太效应。
3.个性化推荐的应用：电商、咨询阅读、O2O等。
三、个性化推荐的算法
1.基于用户画像的颗粒度推荐
a.用户填写的资料：
年龄段>母婴、3C用品
性别>推荐母婴、美容保健用品、二次元
职业>推荐相关工作
b.读取用户安装的应用程序列表构建画像：
装有滴滴用户端>没有车，购车？
装有滴滴司机端>有车
装有轻奢范>男性，男性用品
c.用户行为日志：
启动日志>获取活跃时段，再此时间推送
经纬度/定位>附近商家推荐
2.基于商品画像进行推荐
a.商品画像：将商品抽象出：款式、颜色、风格、场景、图案五种属性。
b.核心属性赋值，标签化：
如：款式： 纯色 法式 渐变 彩绘 贴饰
颜色： 红色 粉色 蓝色 白色
风格： 简约 甜美 复古 可爱
场景： 派对 旅行 约会 晚宴 夜店
图案： 卡通 小碎花 动物 桃心 五角星
c.抽取用户历史行为，形成样品集
d.查询所有历史行为甲样ID的商品画像属性，对标签频率进行统计
e.标签每出现一次记为0.5分
f.根据上述标签，量化用户对每个商品的喜爱程度
g.对所有商品计算分值、排序，进行商品推荐
3.基于用户的协同过滤：买了XX的人还买了XX
找到两个购物习惯相同的人，互推双方没买过的商品。
缺点：随着网站商品容量的不断新增，其运算的复杂度和用户级的增长导致运算难度越来越大；基于用户的协同过滤很难对推荐结果做出解释； 冷启动的问题。
a.找到和目标用户兴趣相似的用户集合
b.找到这个集合中用户喜欢的，且目标用户没听说过的物品推荐给用户
4.基于物品的协同过滤
a.计算物品之间的相似度：不是利用物品之间的相似度。而是通过用户行为。【交集∩/并集∪】
b.根据物品之间的相似度和用户历史行为给用户生成推荐列表
5.关联推荐：比如买了羽毛球拍，相应的推荐羽毛球
四、推荐业务中的问题
1.推荐系统面临的问题：
冷启动问题、数据稀疏性问题、推荐的准确性问题。
2.怎么解决冷启动问题：
a.前期：提供个性化推荐--热门排行榜。后期：切换为个性化推荐。
b.提供粗颗粒度的个性化推荐。
c.利用社交网络账户导入用户好友信息，给用户推荐好友喜欢的物品。
d.要求用户登录时对一些物品进行反馈，得到用户对某些物品的兴趣信息。
e.对于新加入的物品，可利用内容信息，将它们推荐给喜欢过和他们相似物品的用户。
f.引入专家的知识，通过一定的高效方式迅速建立起物品相关度表。
