不同于用戶主觀行為下的信息定制，如訂閱、搜索等操作，個性化推薦是根據用戶的興趣偏好和歷史行為，向用戶推薦其感興趣的信息。

首先，要明白個性化推薦的意義

用戶的訂閱和搜索等主觀行為相對于個性化推薦，用戶需要去主觀判斷和選擇，行為相對比較“重”。個性化推薦的核心就是為用戶提供符合其特征和偏好的結果，讓用戶更爽，產品也更加簡潔。

其次，弄清楚個性化推薦與推送服務的區別

普通的推送服務就是填鴨式的推送廣告信息、最新信息、活動信息等，這些信息不分時刻不計次數的推送給用戶，這樣很容易造成用戶的反感；個性化的推送服務都是可以設置推送時段和推送的次數的；再智能一點的推送服務可以根據用戶特征和偏好推薦給用戶信息（不一定是通過推送的方式），這就是個性化推薦。

再次，了解個性化推薦的應用場景

個性化推薦一定是基于一定數據量的，巧婦難為無米之炊，一定要清楚自己的產品所在的階段是否具備個性化推薦系統的應用場景。

個性化推薦的核心價值是什么？一個是讓場景（取決于用戶行為）的體驗更好，另一個是算法建模和機器學習（取決于技術能力），提升團隊對技術的要求和水平，建立技術壁壘。

場景之所以被稱之為場景，是代表了一定用戶群體的行為習慣、特征和訴求?，F今的信息以及大數據時代，信息量呈幾何級增長，如何解決用戶信息過載的尷尬，就必須考慮如何在一定場景下把用戶需要的信息推薦到用戶面前。

包括知乎、豆瓣、網易云音樂、今日頭條、淘寶、京東、去哪兒網等在內的一系列產品，圍繞信息（信息，包括商品、旅游線路、音樂、文字等所有可以稱之為信息在內的、可以呈現給用戶的）都有完整的一套個性化推薦系統。

那么如何實現個性化推薦呢？

1. 理解“個性化”：

只要考慮用戶特征和偏好的都可以算是個性化，比如網站或app等產品顯示時考慮用戶的性別和年齡等特征而采用不同的顏色、顯示不同的內容等。我們可以這么認為，只要系統上的用戶在其他條件完全相同的情況下訪問時，卻只因為用戶自身特征不同能夠得到不同的輸出和反饋的，我們就可以認為這個系統是個性化的。

2. 精細化采樣用戶在客戶端的行為：

個性化推薦的參考依據是用戶的特征和偏好，通過采集、分析和定義其在端上的歷史行為，了解用戶是什么樣的人，行為偏好是什么，分享了什么，產生了那些互動等等，最終理解和得出符合平臺規則的用戶特征和偏好。

3. 推薦算法及建模：

通過用戶的意圖和行為采集到了大量的數據后，接下來就進行算法建模，如基于文本內容的推薦、基于協同過濾的推薦、基于貝葉斯分類算法的推薦等等，這里就不展開討論了，感興趣的同學可以自行搜索。

4. 機器學習：

僅僅通過算法建模進行推薦是不夠的，如何讓信息推薦更加智能，這個時候就需要考慮機器學習，通過特征發掘、行為分析、喜好學習，不斷優化推薦效果（考慮推薦有效性的定義）和智能化推薦（推薦維度的豐富）。

5. 信息的生命周期：

不同的信息生命周期是不同的，這也是非常重要的考慮維度，信息的價值隨著其生命周期的變化遞增或者遞減，比如新聞、實效性內容、現象級的信息生命周期比較短，商品、知識性內容等信息生命周期比較長。關注信息的生命周期，這也決定了推薦算法計算的頻度和個性化有效性的判定維度定義（有時候可能并不是用戶不喜歡，而是信息過時了）。

個性化推薦雖然很重要，但設計好一個個性化推薦系統后，也不是一勞永逸的。

我們需要定義更多目標：個性化推薦不是冷冰冰的算法和機器學習就可以完全涵蓋的，要定義更多的目標，比如人性化的元素、平臺的調性、給用戶驚喜等等。網易云音樂、知乎、豆瓣等平臺在進行個性化推薦的時候，都會面臨一個問題，如何規避推薦的內容越來越相似，即比如一個用戶被定義的偏好是互聯網、科技，那么每天推薦的都是與之相關的內容，這樣雖然是“個性化”的，反而看起來就不那么“個性”了。

個性化推薦，是為了讓信息更有價值，信息本身并無好壞之分（除了真正的SPAM），在某些人看來是垃圾的信息，有時對另一些人來說卻很有用。

個性化推薦的目的就是改善信息的分配和利用，目的在于給用戶去噪，讓用戶的體驗更爽，核心還是用戶的主觀選擇，切勿本末倒置。要知道，任何東西沒有絕對，個性化推薦并不是萬能的，過度信奉“個性化”反而會因為過于“個性”而使得產品越來越狹窄。個性化應該是對用戶體驗的補充和優化，要理解用戶在具體場景下的真實需求、需要解決什么樣的問題以及怎樣解決，通過個性化推薦的方式給用戶體驗帶來提升，否則，寧可不要，希望各位看客有所思考。

本文由人人都是產品經理專欄作家 @王懿Lucien（微信公眾號：jishugou） 原創發布于人人都是產品經理?。未經許可，禁止轉載。