做个性化推荐原因
从用户角度：根据用户特征过滤掉“无效”物品/信息，推荐符合用户口味的物品/信息，从而提升用户体验，进一步也增加用户点击率，为转化提供更多可能性。
从系统的角度：可以让更多长尾的物品/信息被曝光，从而更大效率的李良勇资源。
个性化算法的大前提
1、给物打标签
标签不只是简单的给物品/信息分类，而是代表着分发给不同的用户群体，比如运动、健身类视频就可以在标签中加上“球迷”“健身达人”等，有关动漫等二次元的内容，也可以加入些类似“宅男”“萝莉”等标签。
分类是树状的，是自上而下依次划分的。在分类体系里，每个节点都有严格的父子关系，在兄弟节点层都具有可以被完全枚举的属性值。
标签是网状的，更强调表达属性关系而非继承关系， 只有权重大小之分，不强调包含与被包含关系。这就使得相对于分类而言，标签的灵活性更强。 在权威性方面，标签是弱化的，每个用户都可参与进来，基于自己的偏好贴标签，从而借助规模效应实现对信息表意完备性的覆盖。因此，在设计系统时，可以先基于产品场景快速覆盖主要标签，再结合标签集合的使用频次、专家建议等因素逐步将部分入口收敛到树状的分类体系中来。
2、为用户打标签
通常一个用户的行为数据包括：用户给物品打上标签。
给用户提供标签的方法主要有：给用户推荐一个系统中最热门的标签；给用户推荐物品上最热门的标签；给用户推荐他自己经常使用的标签等。实际过程中，为了给用户精确的推荐，除了用户的行为数据外，还会收集用户基本信息、位置信息、搜索等信息简历完整的用户画像。
推荐算法原则
1、相似物的推荐
基于物的相似性推荐是基础的推荐策略。
（1）优点
只依赖物品本身的特征而不依赖用户的行为，让新的物品、冷僻的物品都能得到展示的机会。
（2）缺点
推荐质量的优劣完全依赖于特征构建的完备性，但特征构建本身是一项系统的工程，存在一定成本；
基于物品或信息属性推荐没有考虑用户对物品的态度，用户的品位和调性很难得到诠释和表达。比如，市面上关于内容分发的书籍很多，仅从标签词上很难分辨出高下。
2、基于用户行为协同过滤
主要思路为：第一步，找到那些与你在某一方面口味相似的人群；
第二步，将这一人群喜欢的东西推荐给你。
（1）基于用户的协同过滤（user CollaborationFilter-User CF）
首先，通过用户对内容/物品的偏好找到相邻邻居用户，然后将邻居用户喜欢的推荐给当前用户。下图给出了一个例子，对于用户 A，根据用户的历史偏好，这里只计算得到一个邻居—用户C，然后将用户C喜欢的物品D推荐给用户 A。
（2）基于物品的CF
基于物品的 CF 的原理和基于用户的 CF 类似，只是在计算邻居时采用物品本身，而不是从用户的角度，即基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品给他。下图给出了一个例子，对于物品A，根据所有用户的历史偏好，喜欢物品 A的用户都喜欢物品C，得出物品A和物品C比较相似，而用户C喜欢物品A，那么可以推断出用户C可能也喜欢物品 C。
