在推荐系统1.0时代，人们通过经验主义来给出算法满足了绝大部分用户的需求；但是随着信息大爆炸和用户需求的升级，大众口味并不能满足大家的喜好，人们希望看到自己感兴趣的东西；特别是电商网站虽然可以用历史购买来得到用户的喜好，但是电商不重复消费的特性（相对于内容），我们更希望预测用户的喜好，而不是强迫已经发生的行为继续发生；

推荐到底是什么？

从用户角度来讲推荐是为了展示给用户他想要的内容（商品/文章）；从而更好更快的达到用户的目的（商品购买/信息消费）。用户触达内容的过程中，这种需求一直都存在，传统时代我们用分类解决用户与内容有效触达的效率，后来有了标签这种更为细分的方式，甚至是按照热度、时间来展示内容。这些都是为了让用户与内容触达更有效；而如今，连视频都数以亿计，用户对内容的有效触达更为困难，我们就需要从更多维度，更多场景去考虑如何给用户他想要的信息。

个性化推荐的影响因素是什么

1、首先你要先知道用户是谁；毕竟你不能拿着猫的食谱去喂狗。所以用户是男是女，是二次元还是背包客。他们的喜好绝对是不同的

2、其次你要知道这个内容是什么；在你知道你给一个严肃的人推荐影片时，你不可能去推荐奥特曼给他；

3、最后，怎么定义喜欢？根据用户历史的浏览记录？（用户看了一部喜剧电影，下次还给他推荐喜剧）根据用户画像偏好？（给二次元同学推荐二次元动漫）

前两点我们要对数据进行标注并结构化；但是第三点，传统的推荐方法通常比较单一维度，往往推荐的结果不是令人满意，甚至会带来内容的同质化

协同算法

在大数据兴起的时候，我们听过亚马逊的啤酒和尿布的故事；咋听起来两个商品毫不相关，细想背后的场景后才觉得合情合理；然而按照传统的推荐方法不论如何是做不来的，毕竟机器是无法理解人类如此复杂的场景的。而亚马逊这个故事背后的秘密是运用了【群体的智慧】，从而引出两种主流的算法思想：

1、很多用户买了A商品后也买了B商品，那么如果有人买了A我们就可以推荐他买B。我们确实无法简单的让机器懂得我们更为复杂、个性的需求；但是同样为人的他人却能够侧面告诉我们。群体的行为间接作为筛选器为内容或者商品之间建立了关联；从而让机器懂得喜好。

2、另外一种思路是：如果A和B都是薛之谦的粉丝，A喜欢一首新的歌曲，那么我们可以把这首歌推荐给B；其实是间接通过相似的他人筛选出喜好，有点像我们常说的人以群分，投其所好；

相比之下，以内容为核心更适合新用户（我们对其一无所知），更适合小众且冷门的场景，因为热门场景的推荐结果往往显而易见，不够惊喜；而以用户为中心带来的推荐往往更加准确，特别是数据越丰富，越靠近的两个相似用户互相带来的推荐更加满意，就像另一个自己在为自己筛选；

另外，如今机器学习的兴起，这方面的算法可能会带来更好的效果，这种算法一般需要内容的负反馈（不喜欢、不感兴趣）来标注数据，帮助机器越来越懂用户的想法；

商业应用

1、实际中业务场景是十分复杂的；比如新闻类的即时性维度、社区内容的热度、歌曲或者电影的年代等等一些业务属性，往往在应用过程中都是在基础的算法思想上各家有各招

2、数据与内容的丰富度决定你的推荐效果；比如新用户，一进来啥都不知道，通常借用第三方社交登录获取信息，或者引导用户进行兴趣标签选择；

3、不要为了推荐而推荐；推荐背后的用户需求是内容难以触达，往往小体量的产品不会有这种问题。