互联网的个性推荐，通常依赖用户的行为数据，用户在不同商品页面做出的各类行为，均不同程度代表着用户对某类商品的喜恶。算法对这类数据进行计算后，即可对用户进行个性化推荐。
那么问题来了，对于新用户，还未在商品页面留下任何行为，这时应如何推荐呢？
业内常见的方案有多种，一是基于人口统计学推荐，即从IP地址、GPS定位、关联账号API等处获取用户所在地、年龄、性别等统计数据，为其推荐与其同类用户喜欢的商品；二是注册时即让用户评价一定商品，例如有些影评网站会在用户注册时，弹出数个电影，让用户进行评分，并基于注册时的评分进行推荐；三是完全随机推荐；四是全局推荐，即根据已有其他用户的行为数据，推荐全局最受欢迎的产品。
如果用户对商品给出二元评价，且产品需降低注册门槛，全局推荐是不错的选择。二元评价在产品上的体现常常为赞和踩，分别代表喜欢和厌恶，但也可表现为只有赞，那么赞代表喜欢，没有点赞代表不喜欢，只有踩时反之亦然。
但如何从二元评价评估商品受欢迎程度，是十分容易出错的，这儿说两种常见错误。
1. 受欢迎程度 = 赞数 - 踩数（赞踩差）
假设商品A有180个赞和120个踩，即60%的评价是赞；商品B有1650个赞1350个踩，即55%的评价是赞。该算法将商品B（受欢迎程度：300）排在商品A（受欢迎程度：60）之前，与实际情况不符。
2. 受欢迎程度 = 赞数 / 总评价数（点赞率）
假设商品A有6个赞和0个踩，商品B有300个赞和1个踩，该算法将商品A（只有很少的赞）排在商品B（有很多的赞）之前，与实际情况不符。
正确的算法，应是威尔逊置信区间算法，将点赞率与小样本的不确定性平衡，即“给予已有的评价数据，有95%把握至少为真实点赞率的值”，具体的算法如下：
其中p̂是观察到的点赞率，zα/2是正态分布的 (1-α/2)分位点，n是评价总数。加/减号取减号时判断更加严谨，推荐更有可能是正确的；取加号时推荐严谨度会小一些，但更易看见多元的推荐。
威尔逊置信区间算法的另一个有意思现象，是新商品往往会得到较高的分数。从产品角度看，新商品出现在显眼的位置，容易获得更多用户的访问，快速获得更多行为数据，来验证其到底是否受欢迎，如果不受欢迎，自然会很快跌落显眼位置。
