本文共 888 字，大约阅读时间需要 2 分钟。

淘宝一直因为推荐的精准度问题为人诟病，头条也因为推荐精准崛起。成也“推荐”，败也“推荐”。

网易云音乐以最后诞生不占优势的身份到现在飞速崛起占领大片市场，两点原因不可忽视：

1. 精准推荐
2. 良好社区氛围&ugc内容带来的用户粘性（个人觉得这个也得益于它诞生较晚，初期较为小众形成了较好的社区氛围，加上后期的运营，使得这种特性称为网易云与其他播放器的最大差异点）

读了几篇关于推荐算法的文章，给出关于“精准推荐”的整理。

what个性化推荐？

基于用户喜好的相似性和同类用户兴趣相同的原理来进行推荐。

why个性化推荐？

用户角度：基于用户特征过滤掉对自己无效或无用的信息&物品，从而提升用户体验，增加用户点击量，提高转化率。

产品角度：让长尾信息&物品被曝光，给内容生产者展示机会。 （所谓长尾如下图： ）

how个性化推荐？

根据定义，个性化推荐可以从两个角度来分——单向标签，双向标签。

标签≠分类 （分类：自上而下依次划分，每个节点都有严格的父子关系，是树状结构 标签：强调表达属性关系而不是继承关系，不强调包含和被包含关系，是网状结构 ） 单向标签

1. 给物打标签
   eg：淘宝，浏览或购买过某种类型的内容/物品，则基于类型或标签推送同类物品。缺点是不依赖用户行为，没有考虑用户对物品的态度用户的品味和调性很难得到表达。
   

2. 给用户打标签

   找到和你在某一方面品味相似的人群，将这一类人群喜欢的东西推荐给你。
   
   根据余弦公式或者jaccard公式计算两个用户的相似度
   
   找出与用户最相似的用户，提取其喜欢的全部物品，除去用户已经喜欢的物品，计算用户对它的感兴趣程度。
   eg：与A用户相似的有三个用户B,C,D。其中B,D喜欢c物品，计算A对于c物品的感兴趣程度公式=相似度（A与B）+相似度（A与D）

   双向标签

   根据用户在实际过程中的行为和数据，通过机器学习，算法优化训练推荐模型，加上预测，不断改进匹配规则。给予不同信息&物品赋予不同的权重。根据用户的行为反馈不断筛选过滤，得出最优推荐。

总结

想要做好个性化精准推荐，至关重要还是完善用户画像和规则系统，以达到优化 用户使用体验的目的。