本篇文章信途科技給大家談?wù)劗a(chǎn)品推廣個性化推薦，以及產(chǎn)品推廣個性化推薦理由對應(yīng)的知識點(diǎn)，希望對各位有所幫助，不要忘了收藏本站。

什么是個性化推薦

所以個性化推薦。是是根據(jù)你以往的瀏覽記錄。比如說，在某個。電商的頁面中經(jīng)常購買哪一類的商品？大數(shù)據(jù)就會算出你的。喜好，然后給你進(jìn)行。類似產(chǎn)品的推出，這個就叫做個性化推薦嘍。

個性化推薦算法

隨著算法的普及，大量的產(chǎn)品有了個性化推薦的功能，這也成為內(nèi)容類產(chǎn)品的標(biāo)配。個性化定制化逐漸成為了互聯(lián)網(wǎng)思維的新補(bǔ)充，被提升到了越來越重要的地位。算法推薦經(jīng)過了很長一段時間的發(fā)展，才逐漸達(dá)到能給用戶驚喜的階段。比如在電商領(lǐng)域，推薦算法可以挖掘用戶潛在購買需求，縮短用戶選取商品的時間，提升用戶的購物體驗(yàn)；在新聞或段視頻領(lǐng)域，推薦算法可以推送用戶喜歡的內(nèi)容，提高用戶的閱讀效率，減少用戶選擇內(nèi)容的時間，也增加了用戶在產(chǎn)品上的停留時長。

算法應(yīng)用階段

內(nèi)容類產(chǎn)品發(fā)展初期，推薦算法一般為“熱度算法”，就是系統(tǒng)把熱點(diǎn)內(nèi)容優(yōu)先推薦送給用戶，完成熱點(diǎn)內(nèi)容的高閱讀率。在積累了一定的用戶數(shù)據(jù)后，會發(fā)現(xiàn)用戶閱讀內(nèi)容過于集中于熱點(diǎn)信息，長尾信息中的優(yōu)質(zhì)資源往往被忽略，造成資源浪費(fèi)。“千人一面”的狀況已不是一個優(yōu)質(zhì)的解決方案，所以算法逐漸演變?yōu)椤皞€性化推薦”，也就是協(xié)同過濾的方法論支撐下的一種算法。協(xié)同過濾能很好的根據(jù)用戶的喜好，推薦匹配的內(nèi)容，減少資源浪費(fèi)，增加用戶使用的友好體驗(yàn)。真正做到“千人千面”。

推薦算法的信息來源

第三方數(shù)據(jù)

一個新系統(tǒng)在初期沒有數(shù)據(jù)積累的情況下，可與第三方合作，互授部分信息共享。比如，很多系統(tǒng)支持微信登陸，這時候可以獲取客戶的微信信息，生活地點(diǎn)，部分生活習(xí)慣等。同時會獲取用戶的社交信息，共同好友越多表明圈子越相似，可以推薦更多相似的內(nèi)容。

用戶行為數(shù)據(jù)

記錄用戶在系統(tǒng)內(nèi)的使用習(xí)慣，可以準(zhǔn)確的描述單個用戶的行為特征，愛好特征等有效的信息，系統(tǒng)根據(jù)提取出的分析結(jié)果，將內(nèi)容與之匹配，完成更精準(zhǔn)的推薦。如，某用戶經(jīng)常瀏覽體育信息，系統(tǒng)將對應(yīng)推薦更多體育相關(guān)的咨詢，省去用戶搜索篩選的時間。

基于生活習(xí)慣

基于生活習(xí)慣，生活常識的推薦，往往也可以作為內(nèi)置的一個信息來源途徑。比如，外賣的app推薦用戶的餐廳，一般默認(rèn)是位置優(yōu)先，就近推薦，如果是快中午的時間段使用，系統(tǒng)默認(rèn)推薦午餐，其次是晚餐?？可畛ＷR作出的系統(tǒng)算法，可以更符合人類的習(xí)慣，給用戶更好的體驗(yàn)。

熱度算法

熱度算法簡單的說就是把最核心的內(nèi)容優(yōu)先推薦，用新聞舉例，每一條新聞都具有實(shí)效性，隨著時間的推移，該條新聞的關(guān)注度降低，關(guān)注點(diǎn)被新的熱點(diǎn)新聞取代。量化以上的過程，把各個影響因素設(shè)定為變量，會得出以下的公式：

新聞熱度=初始熱度分+用戶交互熱度分-衰減熱度分

初始熱度分為新聞產(chǎn)生時，系統(tǒng)對新聞主體的預(yù)判熱度值。預(yù)判的分值一般為以下兩種模式，一種情況，按照新聞類別的不同，娛樂新聞大于財(cái)經(jīng)新聞，大于國際新聞，大于文化新聞等等系統(tǒng)的預(yù)設(shè)，依次給出不同的初始熱度分；另一種情況，系統(tǒng)預(yù)置熱詞詞庫，用新聞的關(guān)鍵詞和詞庫的去匹配，匹配度高的，初始熱度分高。

用戶的交互熱度分也是一個變量，先要明確用的哪些行為會影響新聞熱度，然后對這些行為量化，加權(quán)或打分等方式。例如，網(wǎng)易云音樂，用戶的聽歌，重復(fù)循環(huán)，收藏，評論，分享等行為，系統(tǒng)為每一種行為打分，求和后得出用戶交互的熱度分：

用戶交互熱度分=聽歌X10+循環(huán)X5+收藏X10+評論X5+分享X3

此公式還可以繼續(xù)細(xì)化，每一種操作的分值也可以作為變量，在產(chǎn)品前期時，傳播產(chǎn)品為主要任務(wù)，所以分享的加權(quán)要大一些，隨著網(wǎng)易云的發(fā)展，社區(qū)的概念逐漸強(qiáng)化，評論區(qū)互動的加權(quán)會加大，所以評論的分值會增加，系統(tǒng)隨時調(diào)整分?jǐn)?shù)加權(quán)，得出更準(zhǔn)確的用戶交互的影響值。

衰減熱度分是一個隨時間變化而變化的數(shù)值，往往是一個函數(shù)的表達(dá)。用新聞舉例，新聞的熱度會隨著時間的推移而衰減，并且趨勢是越來越快，人們在接受新的熱點(diǎn)后，迅速忘記“舊聞”，直至熱度趨近于零。根據(jù)理論數(shù)據(jù)，構(gòu)建函數(shù)，準(zhǔn)確的表達(dá)衰減分值。

還有很多其他的影響因素，比如傳播次數(shù)，傳播層數(shù)，停留時長等等，都會影響熱度值，要想更精準(zhǔn)的表達(dá)，就需要把涉及到的因素都作為變量，不斷完善算法，才能更精準(zhǔn)的完成推薦。

個性化推薦算法

隨著用戶量的增加，產(chǎn)品日活的增加，用戶也不能僅限于千人一面熱點(diǎn)閱讀的模式中，個性化推薦在此時顯得尤為重要。個性化推薦有兩種常見的解決方案，一種是基于內(nèi)容的推薦算法，推薦內(nèi)容往往是根據(jù)用戶的使用習(xí)慣得來，較為精準(zhǔn)；另一種是基于用戶的協(xié)同推薦算法，系統(tǒng)會根據(jù)以往使用內(nèi)容，為用戶建模，然后根據(jù)群體中個體的使用習(xí)慣，推薦更多超預(yù)期的內(nèi)容，達(dá)到預(yù)測推薦的效果。

基于內(nèi)容的推薦算法-預(yù)期內(nèi)

基于內(nèi)容的推薦算法，靠收集用戶的使用習(xí)慣，進(jìn)而推薦相關(guān)的內(nèi)容。系統(tǒng)使用分詞庫匹配、關(guān)鍵詞匹配等等方式，達(dá)到內(nèi)容的匹配，做到內(nèi)容的精確劃分。比如，用戶瀏覽了某部科幻電影，系統(tǒng)就會按照該電影所對應(yīng)的標(biāo)簽，如科幻，然后系統(tǒng)推薦相同標(biāo)簽的影片給用戶。

這樣的推薦方案，確定性強(qiáng)，推薦的內(nèi)容都是根據(jù)用戶的歷史來確定，不能挖掘用戶的潛在需求。

基于用戶的協(xié)同推薦-超預(yù)期

做到精準(zhǔn)推薦后，系統(tǒng)會繼續(xù)挖掘更潛在的推薦需求，給用戶超預(yù)期的推薦體驗(yàn)。這就到了基于用戶協(xié)同推薦的階段。簡單的說，這種算法是增加了用戶建模的環(huán)節(jié)，將同標(biāo)簽的用戶群分，對比群體中單個個體的特征，默認(rèn)這種特征為這類人的潛在特征，再將此特征內(nèi)容推薦給同標(biāo)簽的用戶，達(dá)到超預(yù)期的推薦效果。

比如，某用戶購買了一個蘋果手機(jī)，系統(tǒng)會將此用戶歸類為果粉，系統(tǒng)識別出很多果粉除了買蘋果的商品，還會購買小米作為備用機(jī)，這個特征會被系統(tǒng)識別為潛在需求，推薦給果粉，減少果粉選擇備用機(jī)的時間。

這樣的推薦算法，不僅能完成精準(zhǔn)的推薦，還能給用戶小驚喜，讓系統(tǒng)“有溫度”。但是這樣的推薦方式，往往需要積累了大量用戶資料為基礎(chǔ)，才可以精確的完成。

個性化推薦是怎么做的？

各種推薦算法不能僅僅是研發(fā)涉獵領(lǐng)域，作為PM，也要深入到算法內(nèi)部，了解算法的設(shè)計(jì)，以及結(jié)合內(nèi)容對算法不斷“調(diào)教”，才能讓產(chǎn)品的推薦算法不斷完善，才能符合用戶的口味。

目前比較流行的個性化推薦算法有以下幾種：

基于內(nèi)容的推薦：根據(jù)內(nèi)容本身的屬性(特征向量)所作的推薦。

基于關(guān)聯(lián)規(guī)則的推薦：“啤酒與尿布”的方式，是一種動態(tài)的推薦，能夠?qū)崟r對用戶的行為作出推薦。是基于物品之間的特征關(guān)聯(lián)性所做的推薦，在某種情況下會退化為物品協(xié)同過濾推薦。

協(xié)同過濾推薦：與基于關(guān)聯(lián)規(guī)則的推薦相比是一種靜態(tài)方式的推薦，是根據(jù)用戶已有的歷史行為作分析的基礎(chǔ)上做的推薦?？煞譃槲锲穮f(xié)同過濾、用戶協(xié)同過濾、基于模型的協(xié)同過濾。其中，基于模型的協(xié)同又可以分為以下幾種類型：基于距離的協(xié)同過濾;基于矩陣分解的協(xié)同過濾，即Latent

Factor Model(SVD)或者ALS;基于圖模型協(xié)同，即Graph，也叫社會網(wǎng)絡(luò)圖模型。

1、產(chǎn)品冷啟動通過熱度算法進(jìn)行內(nèi)容推薦

產(chǎn)品發(fā)展初期，由于一方面沒有用戶行為、用戶喜好、用戶畫像，另外也沒有大量的內(nèi)容樣本基礎(chǔ)，是很難開展個性化推薦的。所以在產(chǎn)品初期，一般采取“熱度算法”，顧名思義就是把熱點(diǎn)的內(nèi)容優(yōu)先推薦給用戶。雖然無法做到基于興趣和習(xí)慣為每一個用戶做到精準(zhǔn)化的推薦，但能覆蓋到大部分的內(nèi)容需求，而且啟動成本比個性化推薦算法低太多。

熱度算法基本原理：

新聞熱度分 = 初始熱度分 + 用戶交互產(chǎn)生的熱度分 – 隨時間衰減的熱度分

Score = S0 + S(Users) – S(Time)

1)以新聞或視頻較有時效性的內(nèi)容舉例，熱度隨內(nèi)容陳舊而分值衰減。

2)初始熱度分不要一視同仁。

按照新聞類別給予新聞不同的初始熱度，讓用戶關(guān)注度高的類別獲得更高的初始熱度分，從而獲得更多的曝光。軍事娛樂體育財(cái)經(jīng)....

對于重大事件的報(bào)道，如何讓它入庫時就有更高的熱度，我們采用的是熱詞匹配的方式。

即對大型新聞?wù)军c(diǎn)的頭條，Twitter熱點(diǎn)，競品的頭條做監(jiān)控和扒取，并將這批新聞的關(guān)鍵詞維護(hù)到熱詞庫并保持更新;每條新聞入庫的時候，讓新聞的關(guān)鍵詞去匹配熱詞庫，匹配度越高，就有越高的初始熱度分。這樣處理后，重大事件發(fā)生時，Twitter和門戶網(wǎng)站的爭相報(bào)道會導(dǎo)致熱詞集中化，所有匹配到這些熱詞的新聞，即報(bào)道同樣事件的新聞，會獲得很高的初始熱度分。

3)用戶交互的熱度分值比重不一。首先明確用戶的的哪些行為會提高新聞的熱度值，然后對這些行為賦予一定的得分規(guī)則。

例如對于單條新聞，用戶可以點(diǎn)擊閱讀(click)，收藏(favor)，分享(share)，評論(comment)這四種行為，我們?yōu)椴煌男袨橘x予分?jǐn)?shù)，就能得到新聞的實(shí)時用戶行為分為：

S(Users) = 1*click + 5*favor + 10*comment + 20*share

這里對不同行為賦予的分?jǐn)?shù)為1,5,10,20，但這個值不能是一成不變的;當(dāng)用戶規(guī)模小的時候，各項(xiàng)事件都小，此時需要提高每個事件的行為分來提升用戶行為的影響力;當(dāng)用戶規(guī)模變大時，行為分也應(yīng)該慢慢降低，因此做內(nèi)容運(yùn)營時，應(yīng)該對行為分不斷調(diào)整。

當(dāng)然也有偷懶的辦法，那就是把用戶規(guī)?？紤]進(jìn)去，算固定用戶數(shù)的行為分，即：

S(Users) = (1*click + 5*favor + 10*comment + 20*share)/ DAU * N(固定數(shù))

這樣就保證了在不同用戶規(guī)模下，用戶行為產(chǎn)生的行為分基本穩(wěn)定。

2、基于內(nèi)容特征與用戶特征進(jìn)行個性化推薦

對于此種推薦，有兩個實(shí)體：內(nèi)容和用戶，因此需要有一個聯(lián)系這兩者的東西，即為標(biāo)簽。內(nèi)容轉(zhuǎn)換為標(biāo)簽即為內(nèi)容特征化，用戶則稱為用戶特征化。對于此種推薦，主要分為以下幾個關(guān)鍵部分：

標(biāo)簽庫

內(nèi)容特征化

用戶特征化

隱語義推薦

綜合上面講述的各個部分即可實(shí)現(xiàn)一個基于內(nèi)容和用戶畫像的個性化推薦系統(tǒng)。

標(biāo)簽庫

標(biāo)簽是聯(lián)系用戶與物品、內(nèi)容以及物品、內(nèi)容之間的紐帶，也是反應(yīng)用戶興趣的重要數(shù)據(jù)源。標(biāo)簽庫的最終用途在于對用戶進(jìn)行行為、屬性標(biāo)記。是將其他實(shí)體轉(zhuǎn)換為計(jì)算機(jī)可以理解的語言關(guān)鍵的一步。

標(biāo)簽庫則是對標(biāo)簽進(jìn)行聚合的系統(tǒng)，包括對標(biāo)簽的管理、更新等。

一般來說，標(biāo)簽是以層級的形式組織的?？梢杂幸患壘S度、二級維度等。

標(biāo)簽的來源主要有：

已有內(nèi)容的標(biāo)簽

網(wǎng)絡(luò)抓取流行標(biāo)簽

對運(yùn)營的內(nèi)容進(jìn)行關(guān)鍵詞提取

對于內(nèi)容的關(guān)鍵詞提取，使用結(jié)巴分詞+TFIDF即可。此外，也可以使用TextRank來提取內(nèi)容關(guān)鍵詞。

這里需要注意的一點(diǎn)是對于關(guān)聯(lián)標(biāo)簽的處理，比如用戶的標(biāo)簽是足球，而內(nèi)容的標(biāo)簽是德甲、英超，那么用戶和內(nèi)容是無法聯(lián)系在一起的。最簡單的方式是人工設(shè)置關(guān)聯(lián)標(biāo)簽，此外也可以使用word2vec一類工具對標(biāo)簽做聚類處理，構(gòu)建主題模型，將德甲、英超聚類到足球下面。

內(nèi)容特征化

內(nèi)容特征化即給內(nèi)容打標(biāo)簽。目前有兩種方式：

人工打標(biāo)簽

機(jī)器自動打標(biāo)簽

針對機(jī)器自動打標(biāo)簽，需要采取機(jī)器學(xué)習(xí)的相關(guān)算法來實(shí)現(xiàn)，即針對一系列給定的標(biāo)簽，給內(nèi)容選取其中匹配度最高的幾個標(biāo)簽。這不同于通常的分類和聚類算法?？梢圆扇∈褂梅衷~ +Word2Vec來實(shí)現(xiàn)，過程如下：

將文本語料進(jìn)行分詞，以空格,tab隔開都可以，使用結(jié)巴分詞。

使用word2vec訓(xùn)練詞的相似度模型。

使用tfidf提取內(nèi)容的關(guān)鍵詞A,B,C。

遍歷每一個標(biāo)簽，計(jì)算關(guān)鍵詞與此標(biāo)簽的相似度之和。

取出TopN相似度最高的標(biāo)簽即為此內(nèi)容的標(biāo)簽。

此外，可以使用文本主題挖掘相關(guān)技術(shù)，對內(nèi)容進(jìn)行特征化。這也分為兩種情況:

通用情況下，只是為了效果優(yōu)化的特征提取，那么可以使用非監(jiān)督學(xué)習(xí)的主題模型算法。如LSA、PLSI和GaP模型或者LDA模型。

在和業(yè)務(wù)強(qiáng)相關(guān)時，需要在業(yè)務(wù)特定的標(biāo)簽體系下給內(nèi)容打上適合的標(biāo)簽。這時候需要使用的是監(jiān)督學(xué)習(xí)的主題模型。如sLDA、HSLDA等。

用戶特征化

用戶特征化即為用戶打標(biāo)簽。通過用戶的行為日志和一定的模型算法得到用戶的每個標(biāo)簽的權(quán)重。

用戶對內(nèi)容的行為：點(diǎn)贊、不感興趣、點(diǎn)擊、瀏覽。對用戶的反饋行為如點(diǎn)贊賦予權(quán)值1，不感興趣賦予-1;對于用戶的瀏覽行為，則可使用點(diǎn)擊/瀏覽作為權(quán)值。

對內(nèi)容發(fā)生的行為可以認(rèn)為對此內(nèi)容所帶的標(biāo)簽的行為。

用戶的興趣是時間衰減的，即離當(dāng)前時間越遠(yuǎn)的興趣比重越低。時間衰減函數(shù)使用1/[log(t)+1], t為事件發(fā)生的時間距離當(dāng)前時間的大小。

要考慮到熱門內(nèi)容會干預(yù)用戶的標(biāo)簽，需要對熱門內(nèi)容進(jìn)行降權(quán)。使用click/pv作為用戶瀏覽行為權(quán)值即可達(dá)到此目的。

此外，還需要考慮噪聲的干擾，如標(biāo)題黨等。

另，在非業(yè)務(wù)強(qiáng)相關(guān)的情況下，還可以考慮使用LSA主題模型等矩陣分解的方式對用戶進(jìn)行標(biāo)簽化。

隱語義推薦

有了內(nèi)容特征和用戶特征，可以使用隱語義模型進(jìn)行推薦。這里可以使用其簡化形式，以達(dá)到實(shí)時計(jì)算的目的。

用戶對于某一個內(nèi)容的興趣度(可以認(rèn)為是CTR)：

其中i=1…N是內(nèi)容c具有的標(biāo)簽，m(ci)指的內(nèi)容c和標(biāo)簽i的關(guān)聯(lián)度(可以簡單認(rèn)為是1),n(ui)指的是用戶u的標(biāo)簽i的權(quán)重值,當(dāng)用戶不具有此標(biāo)簽時n(ui)=0，q?指的是內(nèi)容c的質(zhì)量，可以使用點(diǎn)擊率(click/pv)表示。

3、其他運(yùn)用

除了個性化推薦，基于內(nèi)容的相關(guān)性算法能精準(zhǔn)地給出一篇新聞的相關(guān)推薦列表，對相關(guān)閱讀的實(shí)現(xiàn)非常有意義。此外，標(biāo)簽系統(tǒng)對新聞分類的實(shí)現(xiàn)和提升準(zhǔn)確性，也有重要的意義。

4、優(yōu)缺點(diǎn)

基于內(nèi)容的推薦算法有幾個明顯優(yōu)點(diǎn)：

對用戶數(shù)量沒有要求，無論日活幾千或是幾百萬，均可以采用;因此個性化推薦早期一般采用這種方式。

每個用戶的特征都是由自己的行為來決定的，是獨(dú)立存在的，不會有互相干擾，因此惡意刷閱讀等新聞不會影響到推薦算法。

而最主要的缺點(diǎn)就是確定性太強(qiáng)了，所有推薦的內(nèi)容都是由用戶的閱讀歷史決定，所以沒辦法挖掘用戶的潛在興趣;也就是由于這一點(diǎn)，基于內(nèi)容的推薦一般與其他推薦算法同時存在。

基于用戶的協(xié)同推薦

終于，經(jīng)過團(tuán)隊(duì)的努力，你的產(chǎn)品已經(jīng)有了大量活躍用戶了，這時候你開始不滿足于現(xiàn)有的算法。雖然基于內(nèi)容的推薦已經(jīng)很精準(zhǔn)了，但總是少了那么一點(diǎn)性感。因?yàn)槟闼薪o用戶的內(nèi)容都是基于他們的閱讀習(xí)慣推薦的，沒能給用戶“不期而遇”的感覺。

　 　于是，你就開始做基于用戶的協(xié)同過濾了。

基于用戶的協(xié)同過濾推薦算法，簡單來講就是依據(jù)用戶A的閱讀喜好，為A找到與他興趣最接近的群體，所謂“人以群分”，然后把這個群體里其他人喜歡的，但是A沒有閱讀過的內(nèi)容推薦給A。

舉例我是一個足球迷，系統(tǒng)找到與我類似的用戶都是足球的重度閱讀者，但與此同時，這些“足球群體”中有一部分人有看NBA新聞的習(xí)慣，系統(tǒng)就可能會給我推薦NBA內(nèi)容，很可能我也對NBA也感興趣，這樣我在后臺的興趣圖譜就更完善了。

1、用戶群體劃分

做基于用戶的協(xié)同過濾，首先就要做用戶的劃分，可以從三方面著手：

(1)外部數(shù)據(jù)的借用

這里使用社交平臺數(shù)據(jù)的居多，現(xiàn)在產(chǎn)品的登錄體系一般都借用第三方社媒的登錄體系，如國外的Facebook、Twitter，國內(nèi)的微信、微博，借用第三方賬戶的好處多多，例如降低門檻，方便傳播等，還能對個性化推薦起到重要作用。

因?yàn)榈谌劫~戶都是授權(quán)獲取部分用戶信息的，往往包括性別，年齡，工作甚至社交關(guān)系等，這些信息對用戶群劃分很有意義。

此外還有其他的一些數(shù)據(jù)也能借用，例如IP地址，手機(jī)語種等。

使用這些數(shù)據(jù)，你很容易就能得到一個用戶是北京的還是上海的，是大學(xué)生還是創(chuàng)業(yè)者，并依據(jù)這些屬性做準(zhǔn)確的大類劃分。

比如一篇行業(yè)投資分析出來后，“上海創(chuàng)業(yè)圈”這個群體80%的用戶都看過，那就可以推薦給剩下的20%。

(2)產(chǎn)品內(nèi)主動詢問

常見在產(chǎn)品首次啟動的時候，彈框詢問用戶是男是女，職業(yè)等，這樣能對內(nèi)容推薦的冷啟動提供一些幫助。但總體來說，性價(jià)比偏低，只能詢問兩三個問題并對用戶的推薦內(nèi)容做非常粗略的劃分，同時要避免打擾到用戶;這種做法算是基于用戶個性化的雛形。

(3)對比用戶特征

新聞的特征加用戶的閱讀數(shù)據(jù)能得到用戶的特征，那就可以通過用戶特征的相似性來劃分群體。

最后總結(jié)，沒有一款完美的個性化推薦算法，畢竟用戶的心里你別猜別猜別猜，但是產(chǎn)品經(jīng)理還是要結(jié)合自身產(chǎn)品不斷打磨算法。

個性化推薦是什么意思?

個性化推薦，舉個例子，譬如你一直喜歡在網(wǎng)上購買各類美食，一天當(dāng)你打開某家有個性化推薦功能的網(wǎng)站購物時，不用搜索你就能在醒目的地方看到各類美食推薦。

簡單點(diǎn)說，個性化推薦就是根據(jù)客人的不同喜好推薦他們各自喜歡的商品?，F(xiàn)在有很多公司都很熱衷于做這項(xiàng)技術(shù)的，比較有名氣的我聽過百分點(diǎn)，如果樓主想了解些具體原理什么的，可以上去搜一搜。

談?wù)剛€性化推薦系統(tǒng)的利弊都有哪些？

如果一個個性化推薦系統(tǒng)能將新的、有意思領(lǐng)域推薦給我們，并且將我們關(guān)注領(lǐng)域最新進(jìn)展、歷史脈絡(luò)、有價(jià)值信息等等推薦給我們，這件事對于消除信息壁壘，增加信息價(jià)值是很好手段、方法。值得我們?yōu)榇烁冻雠托难?/p>

關(guān)于產(chǎn)品推廣個性化推薦和產(chǎn)品推廣個性化推薦理由的介紹到此就結(jié)束了，不知道你從中找到你需要的信息了嗎 ？如果你還想了解更多這方面的信息，記得收藏關(guān)注本站信途科技。