编辑导语：推荐算法，其实早在1992年就提出来了，可是火起来却是最近这些年的工作，因为互联网的发作，有了更大的数据量可以供我们利用，推荐算法才有了很大的用武之地。对产物司理来说，相识推荐算法也是其事情内容之一，那么应该从那边入门呢？本文作者为我们举办了阐明总结。

8月28日，商务部宣布了一则通告《中国克制出口限制出口技能目次》，第 45 条这次调解的内容，增加了多项今朝最热门的技能，个中就提到了：本性化推送处事。

众所周知，这次调解是有意针对Tik Tok的出售风浪，昆士兰科技大学 ( Queensland University of Technology ) 研究 Tik Tok 的研究员 Bondy Valdovinos Kaye 说：” 我小我私家认为，假如没有推荐算法，Tik Tok 就不会是 Tik Tok”。

从必然水平上可以说明，正是推荐算法成绩了字节跳动的本日，作为当今内容型产物的“标配”，不管是业务需要照旧拓宽视野，相识业界常用的推荐算法及其应用老是很有须要的。

一、协同过滤推荐算法

协同过滤推荐算法(Collaborative Filtering recommendation)是今朝最风行的推荐算法。

其算法道理通俗来说就是操作那些乐趣沟通的用户群体，来为方针用户推荐其感乐趣的信息，而协同过滤算法又大抵可以分为基于用户(User-based)和基于物品(Item-based)两种协同过滤。

1. 基于用户的协同过滤算法(User-based)：

假如说某些用户群体对某类物品的评分是相似的，那么我们可以认为这些用户属于相似用户，基于用户的协同过滤推荐算法即是通过找到与方针用户相似的其他用户，然后通过其他相似用户对某类物品的评分来预测方针用户对该物品的评分，并以此为依据举办推荐。

假如用户A喜欢项目A和项目C，用户C同样喜欢项目A与项目C，那么用户A与用户C可以被鉴定为相似用户，按照用户C喜欢项目D这一环境，可以揣度出用户A喜欢项目D的概率较大，因此可以将项目D推荐给用户A。

基于用户的推荐算法需要计较用户间的相似度矩阵，所以当用户数量变革很大的时候，每次都要从头计较，较量耗时，可拓展性较差。

2. 基于物品的协同过滤算法(Item-based)：

许多电商网站中的商品相对付用户数量来说，变革是相对不变的，所以物品的相似矩阵对比用户的相似矩阵来说要不变许多。

基于物品的协同过滤算法思想就是按照所有用户的汗青偏好来计较推荐物品之间的相似性，然后把与用户喜欢的物品相似的其他物品推荐给用户。

假如项目A与项目C同时被多个用户(用户A与用户C)喜欢，那么可以认为项目A与项目C是相似项目，便可以把它推荐给同样喜欢项目A的用户D。

协同过滤类推荐算法特点：

不需要对推荐内容自己做太多相识便可以完成推荐事情；

可以或许挖掘用户的潜在乐趣；

需要依赖大量用户对项目标评分矩阵，存在新用户与新物品的冷启动问题。

二、基于内容的推荐算法

基于内容的推荐系统最早来自于对协同过滤算法的改造，协同过滤算法只思量到了用户对付物品的打分，而没有思量物品自己所具备的多种属性特征，好比该物品是一篇文章，那么它的属性特征就有作者、标题、种别等。

而基于内容的推荐则是操作这些特征来举办推荐，该推荐要了解提取物品中的内容特征，然后与用户的乐趣标签举办匹配，匹配度高的推荐物品就可以推荐给相应用户：文本A的特征词为教诲、大学；文本C的特征词为教诲、高校。

那么可以认为文本A与文本C为相似文本，用户A阅读了文本A今后便可认为其对教诲类的文章感乐趣，从而将文本C推荐给用户A。

基于内容类推荐算法特点：

用户之间保持独立性，推荐功效与他人的行为无关；

新项目可以当即获得推荐，新的项目插手到系统中时，只要拥有标签，便可以和用户的乐趣模子举办匹配完成推荐；

新用户冷启动问题，由于新的用户没有汗青行为记录，会存在冷启动问题，这也是为什么许多产物之一次登岸时城市让用户选择本身感乐趣的内容分类，就是为了快速对用户成立乐趣标签。

三、推荐算法如何被应用？