推荐系统选型

用户浏览信息，停留时间，过往记录，关注记录，收藏记录等等
    1.实时推荐比较适用于大用户和大的实时数据量，需要考虑服务器资源，用户和数据之间的比例。    
    
    2.离线推荐需要考虑推荐量的选取。
    
    3.推荐模式
        3.1基于产品属性的推荐：单纯的依赖物品之间的属性相似来构建推荐关系。
            优点：适合大类目推荐，用户自主选择度高。感觉像是物品归类。大批量的推荐。
            缺点：如果用户浏览当前的物品本身就不是用户的菜，甚至是一个非优质信息（当前主体不可控），再基于当前物品进行推荐就是个伪命题。基于这条，即使当前主体是用户的目标，但再推类似主体会造成信息冗余，即当前主体信息已经解决了用户的问题。

        3.2基于画像的推荐：目前比较通用的推荐方法，但是并不是所有用户的行为都足够用来表征其兴趣偏好的，即我们会高估用户的行为集合，从而产生有偏差的画像属性，更甚者，如果用户完全没有行为怎么办呢？其次，通常来说，用户的兴趣爱好是会随时间迁移而改变的，所以，把握用户的兴趣程度以及其变化并不是一个容易的事情，更何况用户实际的选择还会受很多因素影响。
        
        3.3基于协同过滤的推荐：依靠于用户的行为以及其周边用户的协同行为。网上又大量的文章已经属于非常经典和完善的

        3.4基于关联规则的推荐通过一定的逻辑来寻找物品之间的相关关系，相关关系并不是相似关系，并不是严格意义上属性上的相似，单纯只是为了寻找他们之间的关联性。即通过他们历史的搭配售