推荐算法是一个很有意思的人工智能（artificial intelligence）。想想看，计算机能够根据大数据较为精确地了解人们的喜好、预测可能的结果，那如果输入人类的表情、内心与行为方式给机器人，它是不是也就能像人一样进行思考和对话呢？目前的科技已部分地完成了这种可能。下面想介绍下我个人对推荐算法的浅薄之见，也是一个深入学习、认真思考的开篇。

推荐算法的Base可以分三类：用户性质、对象性质、用户与对象的交互过程。用网上的话来说，就是以人为本、以物为本和协同过滤（即“联动”）。这三类算法并不会孤立存在，一般会交错切换或者加权共生，意思就是会综合起来使用或者在不同场景使用不同方法。我把它们单一的存在，称为“一度推荐”；综合在一起时，称为“二度推荐”。

说说“一度推荐”。

第一类叫基于用户性质的推荐，可以说是用户与用户的交互过程，具体来说，就是根据用户的label、喜好等个性来建立一个“同好会”，同好会也有分层，低层的只对应一个关键字词（tag），高层的会对应多个tag，故每个用户会有N个同好会，越高层联系越紧密。在推荐的时候，根据分层高低来进行前后排序。说白了，高层产生于低层，低层只是质变之前的量变，可以不作他用。

第二类叫基于对象性质的推荐，可以说是对象与对象的交互过程，根据对象（产品/内容）的本身相似度进行同类推荐，这就包括作用、场景、品牌、价格、目标用户、label等tag，在用户搜索浏览某些tag时，系统会据此来进行相应推荐，推荐排序可以是以加权算法计算的相似度高低。例如，A与B-Z均有关联，但要做推荐，那么简化版的计算公式为相似度=tag1*权重1+tag2*权重2+...+tagN*权重N，所得结果按高低排序。

第三类叫用户与对象的交互过程，根据用户显式或隐式的行为，比如搜索、浏览、关注、收藏、分享、下载、评价等加强的行为，或者取关、删除、拉黑、秒关等减弱的行为，还有关系传递（同类用户也看过B、买物品A的人80%的也买了B）。其中，根据用户不同的行为及展现出的喜好的强弱，进行权重的加减。另外我想到的用户二次行为，也要加入到运算中，比如推荐后主动浏览、多次浏览等。除了这些用户行为，系统也可以进行预测型行为来进一步提高推荐准确度，比如消息推送后点开链接、“换一组”的tag等。此类算法有几个经典的，例如余弦相似度、泊松相关系数等，稍后会一一说明。

这里有几种最主要的推荐算法供大家了解，因为小编数学一般，不能很深入了解，故写得较简略。

一、余弦相似度和修正余弦相似度，公式如下：

将向量根据坐标值，绘制到向量空间中，求得他们的夹角，并得出夹角对应的余弦值。余弦值的范围在[-1,1]之间，值越趋近于1，代表夹角越小，两个向量的方向越一致，相似度也越高。

修正余弦相似度是为了加入取关、删除、低评价等影响相似度的用户反向行为，也算是对余弦相似度缺点的修正

二、潜在因子（Latent Factor）算法

用户-潜在因子矩阵Q（用户多个tag的关注喜爱度）和对象-潜在因子矩阵P（对象多个tag的关联包含度），用矩阵表示即为：R=QP，也是值高者胜。

三、Pearson相关系数

是用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系，公式如下：

通常情况下通过以下取值范围判断变量的相关强度：

0.8-1.0极强相关

0.6-0.8强相关

0.4-0.6中等程度相关

0.2-0.4弱相关

0.0-0.2极弱相关或无相关

四、其他

除了以上三类以外，还有一种我觉得特别有意思的推荐算法，可以称为互动型的生态圈，也就是UGC和官网的联动推荐。

用户可以自行建立电台、社区等个性化“文件夹”，进行用户之间的相互推荐，这可以应用于电商、娱乐型产品。

具体的方式可以是基于用户之间的关联，推荐同类用户的个人“文件夹”；基于对象之间的关联，推荐含有相同tag的个人“文件夹”，鼓励和引导用户贡献内容，加强社交属性，增强用户归属感和成就感，增加用户黏性，这种知乎就做得很好，虽然不至于主动推荐，但专为用户开放一个入口，可以接触到可能感兴趣的他人“文件夹”。

出现的疑问一：如何避免推荐的单一化？解决方式可以是推荐用户没有加强或减弱行为下的tag，进行热门推荐、换一组形式的tag。在推荐比例上，遵循推荐数量为强关联:中等关联:弱关联=4:2:1,。

出现的疑问二：如何解决用户冷启动的问题？解决方式可以是排行榜、热门推荐等，也可以在最初让用户选择tag和拒绝部分tag，进行初步推荐，在后续用户行为增加后再进行精细化推荐。

以上是从个人兴趣点出发，仅为拙见。我的公众号是：乱入花间化绿叶，是我的生活和成长空间，欢迎关注和。