作為一個喜歡思考人生的美男子，我時常感慨，現在這個年代，人們上網獲取信息的成本真的好低。智能手機，人手一臺，打開3G就能上網，百度一搜，什么都有。當然百度上搜出來的大多數可能并不是你想要的，但這并不妨礙上面的論點成立。也正是因為成本太低，人們反而不愿意主動取獲取信息，于是各種各樣的推薦系統有了大展身手的機會。

推薦在生活中是一個再平常不過的事情，你失業了，有人會給你推薦工作，你失戀了，有人會給你推薦姑娘。但是在我們這個機器遠沒有人類聰明的時代，這些事情要是交給機器去做，你就得設計出一套機器能理解的算法出來，這就是所謂的推薦算法。大家看到算法兩個字不要慌，以為我又要搬一個大東西出來嚇唬人。你可以把算法看做現實生活中的辦事流程，它規定了你第一步干什么，第二步干什么，只要你按它說的做，就可以把事情辦好。舉個例子，你現在要做一個電影推薦APP，我們來看下整個過程是怎樣的。

在推薦算法中，我們第一步要有一大堆要推薦的東西。也就是說，你的電影首先要足夠多，才能滿足不同用戶的需求。算法再精準，最后發現推導出來的結果，在你的數據庫中并沒有，就悲劇了。第二步是要有用戶的行為數據。這個也是越多越詳細越好。這時候你要把看了哪部電影，看完沒有，評價怎么樣悄悄的記下來，上傳到后臺服務器。經過長期的積累，這些數據將為你以后的精準推薦奠定基礎。

有了上面的數據基礎，我們就可以進入正題了。推薦算法有不少，我們今天介紹一種最基本的叫做協同過濾算法。它的核心思想是物以類聚，人以群分。具體可以分為基于用戶的協同過濾算法和基于物品的協同過濾算法。我一直覺得專業領域起這種高大上的名字，是用來過濾智商的，因為很多人看到這里就不打算往下看了，哈哈。

先看第一種基于用戶的協同過濾?？梢院唵卫斫鉃槲译m然不認識你，但是我通過查看你的朋友圈都是些什么人，根據人以群分的道理，他們喜歡的很可能就是你喜歡的。

假設從歷史數據上來看，用戶A喜歡《捉妖記》、《大圣歸來》，用戶B喜歡《梔子花開》、《小時代》，用戶C喜歡《捉妖記》。那我們就可以簡單認為AC二人口味相似，可以歸到一個朋友圈里，C極有可能也喜歡A所喜歡的《大圣歸來》。

這是最簡單的情況，實際上僅僅用喜不喜歡來評價感興趣程度是遠遠不夠的，用戶不可能看完還填個調查表選擇yes or no，但是會通過一些其他行為比如影評、是否收藏來反應他們的喜歡程度。機器只能理解量化的東西，所以在算法中，這些行為會轉化成相應的分數。比如完整看完的，給3分；看完還給了正面評價的，給5分；看到一半就怒刪的，給負10分。這樣每個用戶都會有一個電影評分表，在計算兩個用戶相似度的時候，把這些數據代入下面這種專門計算相似度的公式，就能得到二人口味的相似程度。

現在我們要給用戶D推薦電影，分別計算AD、BD、CD的相似度，找到跟D最相似的用戶，然后把他喜歡的，都推薦給D，就行了。(下面的公式叫做余弦相似度公式，通過計算n維空間中兩個向量的夾角余弦，來表示相似度，大家感受一下就好，感興趣的可以去問google。)

第二種是基于物品的協同過濾?；舅枷胧羌僭O甲乙是相似的物品，那么喜歡甲的人，很可能也喜歡乙。還是上面的例子，現在假設用戶E喜歡《梔子花開》和《小時代》，那我們可以推導出，喜歡《梔子花開》的用戶(B和E)都喜歡《小時代》，那基本可以確定兩部電影是相似的，下回來個用戶F，他喜歡《梔子花開》，那我順便就把《小時代》推薦給他，他可能比較容易接受。

大家可能要問，我的APP第一天上線，沒有這些所謂的用戶行為數據怎么推薦啊。這就是推薦算法面臨的冷啟動問題。這時候可以用基于內容的算法了。你可以事先把所有電影歸個類，戰爭片歸到一起，喜劇片歸到一起，動畫片歸到一起。用戶H看了一部喜劇片，你就把所有喜劇片推薦給他。顯而易見，這種算法簡單粗暴，當然命中率也最低。

真正的推薦系統會綜合運用各種算法，加之機器學習和人工調優的不斷改進，所以是非常復雜的。

#專欄作家#

給產品經理講技術，微信公眾號（pm_teacher），人人都是產品經理專欄作家。資深程序猿，專注客戶端開發若干年，對前端、后臺技術略懂，熱衷于對新的科技領域的探索。

本文原創發布于人人都是產品經理，未經許可，不得轉載。