沒有真正的做過推薦系統，大部分的知識都是學習過、瞭解過，所以一些內容認識的比較淺顯，很多算法在我看來，都比較高深。下面我就把自己有限的知識分享一下：

• 在N多年前，用戶進入一個購物網站的時候，看到的商品都是一樣的，而現在每個用戶進入首頁的時候，看見的商品列表可能是不相同的；
  

• 在N多年前，用戶進入一個新聞網站的首頁，看到的新聞都是一樣的，而現在，每個用戶進入今日頭條的時候，看到的新聞(文章)是不相同的；這些都要歸功於推薦系統。

推薦系的分類

• 熱門推薦：相當於一個排行榜功能，銷售排行、好評排行、閱讀排行等等；
  

• 相關推薦：用戶買了一個商品，系統會告訴你類似的商品；用戶閱讀了一條新聞，這時候系統提示與此相關的內容。
  

• 個性化推薦：根據用戶的歷史行為，推薦給用戶想要的內容;和相關推薦不同，相關推薦的前提是，要現有一個內容。前兩種推薦都比較容易實現，這裡主要說一說個性化推薦（直說整體的架構，至於一些細節，比如推薦算法，我也涼涼）。

個性化推薦系統的組成

• 日誌系統：不要想象成應用日誌、Log，這裡的日誌系統可以看做對用戶信息和用戶行為的蒐集，這是個性化推薦系統的基礎數據。

• 推薦算法：個性化推薦算法的核心，根據數據，分析得到推薦的結果。
  

• 推送服務：得到推薦的結果之後，作用於用戶；如在什麼場景、時機下推薦。

推薦算法的基本流程

• A：從數據庫中拿到用戶行為和屬性等數據，通過分析不同行為，生成當前用戶的特徵向量；比如用戶特徵屬性（如性別）、用戶關係屬性（如好友關係）、用戶偏好屬性（如喜歡看足球）；每個行業關注的用戶特徵是不相同的；
• B：不同的物品，也有不同的特徵屬性，比如對於視頻來說，包含地區、導演、演員、類型等；這個模塊要做的事情就是連接用戶和內容；比如用戶喜歡某些特徵的內容；利用用戶喜歡的內容，尋找與這些內容相似的內容；根據用戶特徵尋找相似的用戶，然後看這些用戶喜歡的內容等等；
• C：對初始的推薦列表進行過濾，排名等處理，生成最終的推薦結果。

• 舉個比較好理解的例子，你平時使用今日頭條，看了那些文章、每篇的停留時間、閱讀進度、是否回覆和點贊，然後推斷出你的閱讀偏好，進而給你推薦你感興趣的新聞（當然頭條的算法應該更復雜）。
  

• 再舉個比較出名的例子，就是【啤酒與尿布】的案例，大概意思是年輕的父親去超市買尿布，父親在購買尿布的同時，往往會順便為自己購買啤酒，所以超市嘗試將啤酒與尿布擺放在相同區域，結果提升商品銷售收入；推薦算法也會挖掘出來事物之間隱藏的關係。
  

我將持續分享Java開發、架構設計、程序員職業發展等方面的見解，希望能得到你的關注。