很久了一直覺得個性化推薦這個東西是很高級且神秘的，直到這次為主題商店引入個性化算法，才算是有緣以管窺天，基本了解了個性化推薦的相關知識。

一、個性化推薦的意義與分類

故名思議，個性化推薦，自然是為了提高內容產品的消費的轉化而進行的基於用於自身特點的推薦，希望經過推薦提高內容的消費轉化率，讓用戶用的開心，內容也得到最大程度的利用。為了給用戶推薦的更加準確，因此就需要更加的了解用戶，這裡的了解我分為了兩個類型：

一種是可視化的推薦，是標籤化的了解，根據用戶的行為數據，給用戶打標籤，從而可視化的看出用戶的特點；

一種是非可視化的推薦，是算法層面的了解，根據協同過濾，直接根據數據和數據，用戶和用戶之間的關係進行推薦，直接將算好的結果呈現給用戶，因此是非可視化的了解。

二、個性化推薦的實現規律

一般進行個性化推薦現實可行的總體流程是：

1）數據收集層：通過用戶日誌獲取用戶的歷史行為數據，作為推薦的原始數據

2）數據計算層：根據用戶的歷史數據和推薦算法，計算出在當前情況下最適合給用戶的內容，作為備選數據

3）複合排序層：將計算得出的備選內容和現有的其他下發算法進行歸一運算，進行同意排序運算

4）展示下發層：將排序後的內容，進行下發展示

三、典型的個性化算法

因為標籤體系對於產品的上下游而言的好是顯而易見的，因此新產品直接就開始建立是最合適的。但是如果需要對舊產品引進個性化推薦，其實更加建議從非可視化的推薦開始，這種方式的啟動成本相對低一點，再根據推薦的效果進而引入標籤體系。而輸入法正是從這個角度進行的，以下就先分享下個性化的典型化算法：

計算邏輯層

根據上面的圖，就可以對個性化分為三個路線

1，基於內容的相似推薦

這種推薦的思路是：根據用戶消費過的內容再推薦相似的內容。但是在非可視化，無標籤的情況下，如何實現基於內容的推薦呢？

正如下圖，如果A，B，C···用戶都喜歡了信息I，同時喜歡了I的用戶大多也喜歡III，就可以認為I和III相似，就可以給喜歡了I的用戶推薦III。

2，基於用戶的相似推薦

這種推薦的似路是：算出用戶行為之間的關聯度，從而預測用戶的行為，將與用戶現在行為最接近的內容推薦給用戶。

用戶A，消費過：I,III,IV

用戶B，消費過：II,III

用戶C，消費過：I,II ,IV

在這三個數據量的情況下,給用戶D進行推薦，用戶D消費過I，因此可以計算出在此情況下的用戶行為的相關度，進行推薦。

P(II | I)=1/3, P（III | I）=1/3，P(IV | I)=2/3，因此給用戶D進行推薦的話，IV是首選。

3，基於標籤的相似推薦

這種推薦方式是基於用戶標籤和內容標籤的匹配程度，按照用戶自身的屬性，計算出與用戶身份匹配度最高的內容，然後機進行排序和下發

四、模型的選擇

模型的選擇就是基於產品現行的的原始數據情況了，同時也可以根據現有的數據進行基於用戶和基於內容的結合。從而將算法中的協調、過濾兩個環節進行拆分。

將協同和過濾進行拆分的過程其實是依次解決了兩個問題：找誰協同？過濾什麼？

這種方式實現起來的模型其實是這樣的：為了給用戶A做推薦，在一個推薦周期內，先根據行為的相似度，找好了B,C,D，作為協調用戶。然後再本次推薦周期內將B,C,D的行為和A最新的行為進行對比，再按照內容進行相關度計算，從而得出給A推薦的內容。

最後，沒有最好的推薦算法，只有最合適自己產品的推薦算法，只有不斷地進行嘗試，調教推薦引擎，才能最高效的讓自己的內容利用率最大化。