个性化推荐的几条思路

推荐系统，大家基本不会陌生。
哔哩哔哩在主页给用户推荐的视频，网易云的“每日音乐推荐”，游览网页时狗皮膏药似的电商广 告，都是推荐系统的实现形式。

关于个性化推荐的方法，这里大致总结一下。

1. 基于KNN的协同过滤
   应该是最常用的推荐算法。
   通常分为两种：

   基于用户：根据用户的相似性，给特定用户推荐与他相似的用户所购买的商品；
   基于商品：根据商品的相似性，给购买特定商品的用户推荐与之相似的商品。
   参考链接1

2. 关联算法
   KNN里最常用来度量“相似性”的是相关系数，关联算法实际上是另一种可以用来度量“相似性”的方法
   参考链接2

3. 其它聚类算法
   KNN本来就是聚类算法的一种，只是一直随着推荐系统被单独地提。
   其它聚类算法，譬如kmeans、层次聚类法也可用于比较相似性。
   参考链接3

个性化推荐很有用，因为它能把用户最需要的东西直接送到面前。但同时也存在一些问题：
内容的“固化”：给一个轻音乐死忠粉的人连续推荐100天的轻音乐，我相信他会听吐的。
信息的“茧房”：个性化推荐造成了用户接收信息的收窄，排除了很多潜在的但用户感兴趣的东西。

所以在个性化推荐以外，一定会有其它补充推荐方式，比如b站的“实时最热”、网易云的“热歌榜”、微博的热搜话题榜，将“大众化”作为“个性化”的补充。