慢慢的信息量變大了，我們需要分類來協助我們查找信息，這時出現了門戶分類網站；再后來，信息過載了，分類也無法幫助我們快速獲取信息，搜索引擎出現了，我們可以直接輸入自己需要的內容，搜索引擎就會列出“可能需要”的內容給我們。

隨著互聯網的發展，我們從信息匱乏進入到信息過載的時代。信息需求者需要快速在海量信息中獲取自己的目標信息，信息提供方需要幫用戶過濾掉無關的干擾信息，讓用戶真正關心的內容脫穎而出，在這種雙向需求下，就有了推薦系統。

對用戶而言，推薦系統不需要用戶提供明確的目標。

對物品而言，推薦系統解決了二八現象，讓小眾的物品也有機會展示到可能需要它們的用戶面前。

一、推薦系統的使用場景

推薦系統隨處可見，也無處不在。拿幾個常規的場景舉例：

你是個剁手黨，要買買買才能感到幸福，總有些時候你也不知道要買什么，可就是想買，淘寶首頁往下拉，有個「猜你喜歡」

你是個充滿文藝細胞的音樂發燒友，要聽點音樂才能睡覺覺。可是今天你有點郁悶，你沒有點開你的個人歌單，你不知道要聽些什么，你停留在首頁，點開了系統為你精心準備的「推薦歌單」

你畢業了，來到深圳，接到了第一通面試電話。你很興奮，盡管對這個城市一無所知，可是這通電話卻代表了深圳歡迎你，你迫不及待的打開了地圖，你輸入了起點和終點，想看一下公司和自己距離，系統推薦了幾條路線給你。

如果你不滿意這個推薦結果，你不想坐地鐵，你想坐公交，你想順道看看這個個城市。你可以通過點擊「推薦路線」按照你自己的意愿進行選擇，選擇「不坐地鐵」或其他。

你覺得無聊，打開了微博，想看看大家現在都在關注些什么，你點開了搜索框，看到了「微博熱搜榜」。

你熱愛美食，那一定不能錯過的就是大眾點評。

今日頭條就不用多說了，你和我和他看到的內容都不一樣。

猜你喜歡、推薦歌單、推薦路線、熱搜榜單、美食推薦、頭條推薦這些都是推薦系統的輸出內容。

這里要注意的是推薦系統和搜索引擎是兩種東西，有人會誤以為百度就是一種推薦系統，因為它向你展現了信息列表，也為你推薦了你可能感興趣的內容（右側）。

實際上，搜索引擎是包含了推薦系統的，且推薦系統不需要明確的目標，搜索引擎需要。

這里用兩個具象的例子來說明一下：

舉例1：你進入某電商產品首頁，就會有一些展示的商品即結果，但是你在搜索引擎的頁面，除了大大的輸入框和廣告，沒有結果。

舉例2：你在某搜索引擎輸入關鍵詞A，得到搜索結果列表B，右側內容推薦列表C。B和C的出現和排列，都屬于推薦策略的一種。

二、推薦系統存在的意義

1. 降低信息過載

信息爆炸時代，羅列所有的信息，等同于給用戶添麻煩，因為用戶根本無從下手。而且信息的利用率也會十分低下。

需要推薦系統幫助用戶篩選信息，過濾掉相關度低、完全不相關的信息、價值低和用戶不感興趣的信息。

2. 發掘長尾

經濟學有個非常出名的理論，叫做長尾理論（The long tail）。大意說的是：受一些因素的影響，人們通常只關注到頭部的信息，也就是最熱的一小部分資源受到絕大部分人的關注，剩下的絕大部分資源卻鮮有人問津。

當某些限制因素慢慢變寬松，消費者可以根據興趣喜歡選擇目標資源，幾乎任何以前看似需求極低的產品都有機會展現在用戶面前。

推薦策略即是如此，通過發掘用戶的行為，找到用戶的個性化需求，從而將長尾商品準確地推薦給需要它的用戶，幫助用戶發現那些他們感興趣但很難發現的商品，讓很多口味偏小眾的用戶找到自己感興趣的內容，而不是千篇一律的瀏覽大熱門。

3. 幫用戶找答案

一部分用戶需要借助一些智能推薦算法幫自己更快、更準確的獲取信息，一部分用戶根本不知道自己要什么，需要你來告訴他。

舉個例子：

你餓了想買點吃的，出門走到一個超市，超市很大，有三層，你懵了。你要考慮兩個問題：①吃的在哪 ，②你吃什么，這兩個問題都很關鍵。

這個時候導購A走過來告訴你，上二樓零食區和熟食區。到二樓你依舊不知道要吃什么，這個時候導購B走過來告訴你，今天的麻辣牛肉做促銷，免費品嘗。

你嘗了一下，還不錯。導購C手上拿了兩瓶牛奶向你推薦。于是，在你完全不知道買什么，且沒有特殊要求的情況下，你買了牛肉和牛奶。

在這個例子里，A是商場的推薦系統，B和C是商品的推薦系統。

4. 提高用戶轉化率

當你的產品可以很好的滿足用戶的需求，提供更好的選擇、幫助用戶進行決定、減少用戶的決策時間，用戶不僅會多次訪問站點，轉化率也會得到很好的提升。

最直接的例子就是淘寶，為什么總有人剁手剁手又剁手，卻還是忍不住要淘寶。

你買完了A，淘寶為你推薦了B，你一想：是啊，我缺，我缺，我都缺。我買，我買，我都買。

5. 深度了解用戶

每當系統推薦的物品成功引起用戶的注意甚至是喜愛和購買，不僅是用戶越來越喜歡你，用戶在你眼里的畫像也越來越清楚。

舉個很俗的例子，一個多人互動小游戲《你畫我猜》，A不斷的從B身上獲取正確的信息，從而在自己的腦海中一步步形成答案的畫像。

推薦系統就是將用戶在清晰化的過程。可能，你會發現，到最后，最了解用戶的不是她的男朋友，是你。最典型的就是今日頭條了，通過用戶的行為、興趣標簽、信息的時效性和熱門程度為不同的用戶展現不同的信息，這種服務可以讓擁有各種各樣需求的用戶都能在自家平臺上得到滿足。

三、推薦系統的推薦算法

實際上，推薦算法早在1992年就有了，實際上火起來是最近幾年。

那個年代信息傳遞也偏傳統，信息量就有了，實際上火起來是最近幾年。

那個年代信息傳遞也偏傳統，信息量也少，這個時候火起來一是基于互聯網，二是基于大數據。

在整個推薦算法的發展過程中，有過各種各樣的算法，到現在依然有很多。

但是不論怎么發展和演變，如何復雜，推薦的基本條件是不變的：

• 根據你的關鍵詞推薦

• 根據你的歷史行為推薦

• 根據你喜歡的物品A向你推薦和它類似的B

• 根據和你有共同喜好的人來推薦

• 根據以上幾種條件的組合進行推薦

•  

基于以上條件，推薦的算法大致可以分為以下幾類：

• 基于流行度的算法

• 協同過濾算法

• 基于內容的算法

• 基于模型的算法

• 混合算法

這里必須要說一點，最影響用戶體驗的不是算法多牛逼，而是你采用了什么樣的推薦算法，很多人容易掉進一個坑里：是用協同過濾算法還是基于內容去推薦？

推薦系統的本質在于加強聯結，發揮信息的最大價值，給用戶源源不斷發現新信息的機會。

選擇哪種推薦算法取決于產品本身的定位和特征，比如頭條就是基于物品的協同過濾算法，淘寶是基于用戶的協同過濾算法，雖然都是系統過濾，結果卻大不一樣。

再比如，如果你采用的是基于用戶的協同過濾算法，如果用戶的數據特征不清晰，而且用戶行為又集中而稀疏，那就意味著你只能依賴更多的內容了，或者是參照豆瓣，讓用戶來打標簽。