推荐本身看情景，有的在用户群较少／商品较少的情况下并不适用，需要基于一定的基础之后再做。
1、即时推荐
用户多次浏览了一家星巴克多次，在下一次用户定位在星巴克附近的时候，直接将POI展现在首页，直接命中用户的需求。
2、精准展现
情景感知：场景化的猜你喜欢，基于特定的时间、地点、行为，去精准触达用户的需求，深入到情景中，能够带给客户良好的体验，也能大大促进功能的使用效率。
1）已有需求，缩短路径
电影：用户到电影院准备取票，打开app，首页会展示电影取票信息和二维码，在开场前提醒还有多久开场，影院在哪里。
外卖：定外卖后，首页显示外卖订单状态，情景感知会提醒预计还有多少时间送达。
2）潜在需求，引导激发
异地：用户到达陌生城市，首页展示好友去过哪些店。
到店：用户到店后，如该商户有服务获交易信息，则首页展示。
3、个性化推荐
1）算法：较常用的有协同过滤和apriori算法。
协同过滤
Base用户：如果用户A和用户B相似性高，那么用户A喜欢的很可能用户B也喜欢。=
Base商品：根据商品众多因子判别不同商品之间的相似性，如果用户喜欢商品a，则将相似性较高的商品推荐给他。
apriori算法
根据商品与商品之间的关联规则去推荐。
2）推荐所解决的问题：本质上准确度和多样性的双重需求。
需要解决用户行为较少，提升推荐质量，新商品问题，长尾商品问题。（算法根据实际情况而异，比较复杂，不细说）
结合用户（买家、卖家）分成模型和用户画像去搭配不同种类的推荐算法：新用户，普通用户，深度用户。。。
