一種推薦演算法

❶ 雷鳥科技的AI演算法到底是什麼

雷鳥科技的AI演算法是一種智能推薦演算法，用專業術語來表達，就是它可以充分利用用戶畫像、視頻畫像，結合智能演算法，為每個用戶推薦個性化的內容。

❷ 鏌愯喘鐗╃綉絝欏湪鍚戠敤鎴鋒帹鑽愬晢鍝佹椂

璐鐗╃綉絝欏悜鐢ㄦ埛鎺ㄨ崘鍟嗗搧鏃墮氬父浼氫嬌鐢ㄦ帹鑽愮畻娉曘傛帹鑽愮畻娉曟槸涓縐嶉氳繃鍒嗘瀽鐢ㄦ埛鐨勮屼負鍜屽叴瓚ｆ潵棰勬祴浠栦滑鍙鑳藉枩嬈㈢殑鍟嗗搧鐨勬柟娉曘傝繖浜涚畻娉曚細鍒╃敤澶氱嶆暟鎹錛屼緥濡傜敤鎴風殑嫻忚堝巻鍙層佽喘涔拌板綍銆佽瘎浠峰拰璇勫垎絳夛紝鏉ラ勬祴鐢ㄦ埛鐨勮喘涔板嚲濂斤紝騫舵牴鎹榪欎簺棰勬祴緇撴灉鍚戠敤鎴鋒帹鑽愮浉鍏崇殑鍟嗗搧銆

鎺ㄨ崘綆楁硶鍙浠ュ垎涓哄氫釜綾誨瀷錛屽叾涓杈冨父瑙佺殑鍖呮嫭鍗忓悓榪囨護鎺ㄨ崘銆佸唴瀹-based 鎺ㄨ崘鍜屾販鍚堟帹鑽愩傚崗鍚岃繃婊ゆ帹鑽愭槸鍩轟簬鐢ㄦ埛琛屼負鏁版嵁榪涜屾帹鑽愮殑鏂規硶錛屽畠浼氬繪壘鍜屽綋鍓嶇敤鎴鋒湁鐩鎬技鍏磋叮鐨勫叾浠栫敤鎴鳳紝鐒跺悗鍚戝綋鍓嶇敤鎴鋒帹鑽愯繖浜涚敤鎴峰枩嬈㈢殑鍟嗗搧銆傚唴瀹-based 鎺ㄨ崘鍒欐槸鏍規嵁鍟嗗搧鐨勭壒寰佸拰鐢ㄦ埛鐨勫叴瓚ｈ繘琛屽尮閰嶏紝閫氳繃鍒嗘瀽鍟嗗搧鐨勫睘鎬с佹爣絳劇瓑淇℃伅鏉ユ帹鑽愮浉鍏崇殑鍟嗗搧銆傛販鍚堟帹鑽愭槸灝嗗氱嶆帹鑽愮畻娉曠粨鍚堣搗鏉ワ紝浠ユ彁楂樻帹鑽愮殑鍑嗙『鎬у拰鏁堟灉銆

闄や簡鎺ㄨ崘綆楁硶錛岃喘鐗╃綉絝欒繕鍙浠ヤ嬌鐢ㄥ叾浠栫瓥鐣ユ潵鍚戠敤鎴鋒帹鑽愬晢鍝併備緥濡傦紝鏍規嵁鐢ㄦ埛鐨勮喘涔板巻鍙插拰嫻忚堣屼負榪涜屼釜鎬у寲鎺ㄨ崘錛屽悜鐢ㄦ埛鎺ㄨ崘浠栦滑鍙鑳芥劅鍏磋叮鐨勫晢鍝併傝喘鐗╃綉絝欒繕鍙浠ュ埄鐢ㄧ敤鎴風殑紺句氦緗戠粶淇℃伅錛屼緥濡傚叧娉ㄧ殑鍟嗗搧銆佸叧娉ㄧ殑鍝佺墝鍜屽叧鑱旂殑鐢ㄦ埛錛屾潵榪涜屾帹鑽愩

緇間笂鎵榪幫紝璐鐗╃綉絝欏湪鍚戠敤鎴鋒帹鑽愬晢鍝佹椂浣跨敤鎺ㄨ崘綆楁硶錛屾牴鎹鐢ㄦ埛鐨勮屼負鍜屽叴瓚ｈ繘琛岄勬祴錛屼互鎻愪緵涓鎬у寲鐨勬帹鑽愪綋楠屻

❸ 推薦演算法有哪些

推薦演算法是計算機專業中的一種演算法，通過一些數學演算法，推測出用戶可能喜歡的東西。
基於協同過濾的推薦
基於用戶的協同過濾演算法: 基於一個這樣的假設「跟你喜好相似的人喜歡的東西你也很有可能喜歡。」所以基於用戶的協同過濾主要的任務就是找出用戶的最近鄰居，從而根據最近鄰 居的喜好做出未知項的纖稿春評分預測。這種演算法主要分為3個步驟：
1、用戶評分。可以分為顯性評分和隱形評分兩種。顯性評分就是直接給項目評分（例如給網路里的用戶評分），隱形評分就是通過評價或是購買的行為給項目評分 （例如在有啊購買了什麼東西）。
2、尋找最近鄰居。這一步就是尋找與你距離最近的用戶，測算距離一般採用以下三種演算法：1.皮爾森相關系數。敬陵2.餘弦相似性。3調整餘弦相似性。調整毀耐餘弦 相似性似乎效果會好一些。
3、推薦。產生了最近鄰居集合後，就根據這個集合對未知項進行評分預測。把評分最高的N個項推薦給用戶。 這種演算法存在性能上的瓶頸，當用戶數越來越多的時候，尋找最近鄰居的復雜度也會大幅度的增長。
組合推薦
在組合方式上，有研究人員提出了七種組合思路：
1、加權（Weight）：加權多種推薦技術結果。
2、變換（Switch）：根據問題背景和實際情況或要求決定變換採用不同的推薦技術。
3、混合（Mixed）：同時採用多種推薦技術給出多種推薦結果為用戶提供參考。
4、特徵組合（Feature combination）：組合來自不同推薦數據源的特徵被另一種推薦演算法所採用。
5、層疊（Cascade）：先用一種推薦技術產生一種粗糙的推薦結果，第二種推薦技術在此推薦結果的基礎上進一步作出更精確的推薦。
6、特徵擴充（Feature augmentation）：一種技術產生附加的特徵信息嵌入到另一種推薦技術的特徵輸入中。
7、元級別（Meta-level）：用一種推薦方法產生的模型作為另一種推薦方法的輸入。

❹ 涓夌嶅父鐢ㄧ殑鐢靛瓙鍟嗗姟鎺ㄨ崘綆楁硶

涓夌嶅父鐢ㄧ殑鐢靛瓙鍟嗗姟鎺ㄨ崘綆楁硶鏄錛氬熀浜庡唴瀹圭殑鎺ㄨ崘錛圕ontent-Based Recommendation錛夈佸崗鍚岃繃婊ゆ帹鑽愶紙Collaborative Filtering Recommendation錛変互鍙婃販鍚堟帹鑽愶紙Hybrid Recommendation錛夈

鍩轟簬鍐呭圭殑鎺ㄨ崘錛

榪欑嶆帹鑽愭柟娉曚富瑕佹槸閫氳繃鍒嗘瀽鐢ㄦ埛浠ュ墠鐨勮屼負鍜屽叴瓚ｏ紝鎺ㄨ崘涓庡叾鍏磋叮鐩鎬技鐨勪駭鍝佹垨鏈嶅姟銆備緥濡傦紝濡傛灉涓涓鐢ㄦ埛鍦ㄨ繃鍘葷殑琛屼負涓鏄劇ず鍑哄圭戝夠鐢靛獎鐨勫叴瓚ｏ紝閭ｄ箞鍩轟簬鍐呭圭殑鎺ㄨ崘緋葷粺灝變細鎺ㄨ崘鏇村氱殑縐戝夠鐢靛獎銆傝繖縐嶆帹鑽愭柟娉曠殑浼樼偣鏄鍙浠ヤ負鐢ㄦ埛鎻愪緵涓庡叾鍏磋叮楂樺害鍖歸厤鐨勪駭鍝侊紝緙虹偣鏄瀹冩棤娉曞彂鐜扮敤鎴風殑鏂板叴瓚ｏ紝鍥犱負瀹冨彧鎺ㄨ崘涓庣敤鎴瘋繃鍘昏屼負鐩鎬技鐨勪駭鍝併

鍗忓悓榪囨護鎺ㄨ崘錛

鍗忓悓榪囨護鎺ㄨ崘鏄鍙︿竴縐嶅父瑙佺殑鐢靛瓙鍟嗗姟鎺ㄨ崘綆楁硶錛屽畠閫氳繃瀵繪壘鍏鋒湁鐩鎬技鍏磋叮鐨勭敤鎴風兢浣擄紝鐒跺悗灝嗚繖浜涚敤鎴風兢浣撳枩嬈㈢殑浜у搧鎺ㄨ崘緇欐柊鐢ㄦ埛銆備緥濡傦紝濡傛灉涓涓鐢ㄦ埛鍠滄㈢湅銆婃祦嫻鍦扮悆銆嬶紝閭ｄ箞鍗忓悓榪囨護鍙鑳戒細鎺ㄨ崘鍏朵粬鍠滄銆婃祦嫻鍦扮悆銆嬬殑鐢ㄦ埛鍠滄㈢殑鍏朵粬鐢靛獎銆傝繖縐嶆柟娉曠殑浼樼偣鏄鍙浠ュ府鍔╃敤鎴峰彂鐜版柊鐨勫叴瓚ｇ偣錛岀己鐐規槸鍙鑳戒細鍑虹幇鍐峰惎鍔ㄩ棶棰橈紝鍗沖逛簬娌℃湁浠諱綍琛屼負鐨勬柊鐢ㄦ埛鎴栨柊浜у搧錛岀郴緇熸棤娉曡繘琛屾湁鏁堢殑鎺ㄨ崘銆

娣峰悎鎺ㄨ崘錛

娣峰悎鎺ㄨ崘綆楁硶鏄緇撳悎鍩轟簬鍐呭圭殑鎺ㄨ崘鍜屽崗鍚岃繃婊ゆ帹鑽愮殑涓縐嶆柟娉曘傚畠鍚屾椂鑰冭檻浜嗙敤鎴風殑鍘嗗彶琛屼負鍜屽叴瓚ｏ紝浠ュ強鐩鎬技鐢ㄦ埛鐨勮屼負鍜屽叴瓚ｏ紝浠ョ敓鎴愭洿鍏ㄩ潰銆佹洿鍑嗙『鐨勬帹鑽愩備緥濡傦紝涓涓娣峰悎鎺ㄨ崘緋葷粺鍙鑳戒細棣栧厛浣跨敤鍩轟簬鍐呭圭殑鎺ㄨ崘鏉ョ『瀹氱敤鎴峰圭戝夠鐢靛獎鐨勫叴瓚ｏ紝鐒跺悗浣跨敤鍗忓悓榪囨護鏉ユ帹鑽愬叾浠栧枩嬈㈢戝夠鐢靛獎鐨勭敤鎴峰枩嬈㈢殑鍏朵粬綾誨瀷鐨勭數褰便傝繖縐嶆柟娉曠殑浼樼偣鏄鍙浠ュ厠鏈嶅熀浜庡唴瀹圭殑鎺ㄨ崘鍜屽崗鍚岃繃婊ゆ帹鑽愮殑灞闄愭э紝鎻愪緵鏇村噯紜銆佹洿涓鎬у寲鐨勬帹鑽愶紝緙虹偣鏄鍙鑳介渶瑕佹洿澶嶆潅鐨勭畻娉曞拰鏇村氱殑璁＄畻璧勬簮銆

❺ 個性化推薦是怎麼做的

各種推薦演算法不能僅僅是研發涉獵領域，作為PM，也要深入到演算法內部，了解演算法的設計，以及結合內容對演算法不斷「調教」，才能讓產品的推薦演算法不斷完善，才能符合用戶的口味。

目前比較流行的個性化推薦演算法有以下幾種：

基於內容的推薦：根據內容本身的屬性(特徵向量)所作的推薦。

基於關聯規則的推薦：「啤酒與尿布」的方式，是一種動態的推薦，能夠實時對用戶的行為作出推薦。是基於物品之間的特徵關聯性所做的推薦，在某種情況下會退化為物品協同過濾推薦。

協同過濾推薦：與基於關聯規則的推薦相比是一種靜態方式的推薦，是根據用戶已有的歷史行為作分析的基礎上做的推薦。可分為物品協同過濾、用戶協同過濾、基於模型的協同過濾。其中，基於模型的協同又可以分為以下幾種類型：基於距離的協同過濾;基於矩陣分解的協同過濾，即Latent

Factor Model(SVD)或者ALS;基於圖模型協同，即Graph，也叫社會網路圖模型。

1、產品冷啟動通過熱度演算法進行內容推薦

產品發展初期，由於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容樣本基礎，是很難開展個性化推薦的。所以在產品初期，一般採取「熱度演算法」，顧名思義就是把熱點的內容優先推薦給用戶。雖然無法做到基於興趣和習慣為每一個用戶做到精準化的推薦，但能覆蓋到大部分的內容需求，而且啟動成本比個性化推薦演算法低太多。

熱度演算法基本原理：

新聞熱度分 = 初始熱度分 + 用戶交互產生的熱度分 – 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容舉例，熱度隨內容陳舊而分值衰減。

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>財經....

對於重大事件的報道，如何讓它入庫時就有更高的熱度，我們採用的是熱詞匹配的方式。

即對大型新聞站點的頭條，Twitter熱點，競品的頭條做監控和扒取，並將這批新聞的關鍵詞維護到熱詞庫並保持更新;每條新聞入庫的時候，讓新聞的關鍵詞去匹配熱詞庫，匹配度越高，就有越高的初始熱度分。這樣處理後，重大事件發生時，Twitter和門戶網站的爭相報道會導致熱詞集中化，所有匹配到這些熱詞的新聞，即報道同樣事件的新聞，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，然後對這些行為賦予一定的得分規則。

例如對於單條新聞，用戶可以點擊閱讀(click)，收藏(favor)，分享(share)，評論(comment)這四種行為，我們為不同的行為賦予分數，就能得到新聞的實時用戶行為分為：

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

這里對不同行為賦予的分數為1,5,10,20，但這個值不能是一成不變的;當用戶規模小的時候，各項事件都小，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;當用戶規模變大時，行為分也應該慢慢降低，因此做內容運營時，應該對行為分不斷調整。

當然也有偷懶的辦法，那就是把用戶規模考慮進去，算固定用戶數的行為分，即：

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

這樣就保證了在不同用戶規模下，用戶行為產生的行為分基本穩定。

2、基於內容特徵與用戶特徵進行個性化推薦

對於此種推薦，有兩個實體：內容和用戶，因此需要有一個聯系這兩者的東西，即為標簽。內容轉換為標簽即為內容特徵化，用戶則稱為用戶特徵化。對於此種推薦，主要分為以下幾個關鍵部分：

標簽庫

內容特徵化

用戶特徵化

隱語義推薦

綜合上面講述的各個部分即可實現一個基於內容和用戶畫像的個性化推薦系統。

標簽庫

標簽是聯系用戶與物品、內容以及物品、內容之間的紐帶，也是反應用戶興趣的重要數據源。標簽庫的最終用途在於對用戶進行行為、屬性標記。是將其他實體轉換為計算機可以理解的語言關鍵的一步。

標簽庫則是對標簽進行聚合的系統，包括對標簽的管理、更新等。

一般來說，標簽是以層級的形式組織的。可以有一級維度、二級維度等。

標簽的來源主要有：

已有內容的標簽

網路抓取流行標簽

對運營的內容進行關鍵詞提取

對於內容的關鍵詞提取，使用結巴分詞+TFIDF即可。此外，也可以使用TextRank來提取內容關鍵詞。

這里需要注意的一點是對於關聯標簽的處理，比如用戶的標簽是足球，而內容的標簽是德甲、英超，那麼用戶和內容是無法聯系在一起的。最簡單的方式是人工設置關聯標簽，此外也可以使用word2vec一類工具對標簽做聚類處理，構建主題模型，將德甲、英超聚類到足球下面。

內容特徵化

內容特徵化即給內容打標簽。目前有兩種方式：

人工打標簽

機器自動打標簽

針對機器自動打標簽，需要採取機器學習的相關演算法來實現，即針對一系列給定的標簽，給內容選取其中匹配度最高的幾個標簽。這不同於通常的分類和聚類演算法。可以採取使用分詞 +Word2Vec來實現，過程如下：

將文本語料進行分詞，以空格,tab隔開都可以，使用結巴分詞。

使用word2vec訓練詞的相似度模型。

使用tfidf提取內容的關鍵詞A,B,C。

遍歷每一個標簽，計算關鍵詞與此標簽的相似度之和。

取出TopN相似度最高的標簽即為此內容的標簽。

此外，可以使用文本主題挖掘相關技術，對內容進行特徵化。這也分為兩種情況:

通用情況下，只是為了效果優化的特徵提取，那麼可以使用非監督學習的主題模型演算法。如LSA、PLSI和GaP模型或者LDA模型。

在和業務強相關時，需要在業務特定的標簽體系下給內容打上適合的標簽。這時候需要使用的是監督學習的主題模型。如sLDA、HSLDA等。

用戶特徵化

用戶特徵化即為用戶打標簽。通過用戶的行為日誌和一定的模型演算法得到用戶的每個標簽的權重。

用戶對內容的行為：點贊、不感興趣、點擊、瀏覽。對用戶的反饋行為如點贊賦予權值1，不感興趣賦予-1;對於用戶的瀏覽行為，則可使用點擊/瀏覽作為權值。

對內容發生的行為可以認為對此內容所帶的標簽的行為。

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

要考慮到熱門內容會干預用戶的標簽，需要對熱門內容進行降權。使用click/pv作為用戶瀏覽行為權值即可達到此目的。

此外，還需要考慮雜訊的干擾，如標題黨等。

另，在非業務強相關的情況下，還可以考慮使用LSA主題模型等矩陣分解的方式對用戶進行標簽化。

隱語義推薦

有了內容特徵和用戶特徵，可以使用隱語義模型進行推薦。這里可以使用其簡化形式，以達到實時計算的目的。

用戶對於某一個內容的興趣度(可以認為是CTR)：

其中i=1…N是內容c具有的標簽，m(ci)指的內容c和標簽i的關聯度(可以簡單認為是1),n(ui)指的是用戶u的標簽i的權重值,當用戶不具有此標簽時n(ui)=0，q©指的是內容c的質量，可以使用點擊率(click/pv)表示。

3、其他運用

除了個性化推薦，基於內容的相關性演算法能精準地給出一篇新聞的相關推薦列表，對相關閱讀的實現非常有意義。此外，標簽系統對新聞分類的實現和提升准確性，也有重要的意義。

4、優缺點

基於內容的推薦演算法有幾個明顯優點：

對用戶數量沒有要求，無論日活幾千或是幾百萬，均可以採用;因此個性化推薦早期一般採用這種方式。

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

而最主要的缺點就是確定性太強了，所有推薦的內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;也就是由於這一點，基於內容的推薦一般與其他推薦演算法同時存在。

基於用戶的協同推薦

終於，經過團隊的努力，你的產品已經有了大量活躍用戶了，這時候你開始不滿足於現有的演算法。雖然基於內容的推薦已經很精準了，但總是少了那麼一點性感。因為你所有給用戶的內容都是基於他們的閱讀習慣推薦的，沒能給用戶「不期而遇」的感覺。

於是，你就開始做基於用戶的協同過濾了。

基於用戶的協同過濾推薦演算法，簡單來講就是依據用戶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」，然後把這個群體里其他人喜歡的，但是A沒有閱讀過的內容推薦給A。

舉例我是一個足球迷，系統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新聞的習慣，系統就可能會給我推薦NBA內容，很可能我也對NBA也感興趣，這樣我在後台的興趣圖譜就更完善了。

1、用戶群體劃分

做基於用戶的協同過濾，首先就要做用戶的劃分，可以從三方面著手：

(1)外部數據的借用

這里使用社交平台數據的居多，現在產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。

因為第三方賬戶都是授權獲取部分用戶信息的，往往包括性別，年齡，工作甚至社交關系等，這些信息對用戶群劃分很有意義。

此外還有其他的一些數據也能借用，例如IP地址，手機語種等。

使用這些數據，你很容易就能得到一個用戶是北京的還是上海的，是大學生還是創業者，並依據這些屬性做准確的大類劃分。

比如一篇行業投資分析出來後，「上海創業圈」這個群體80%的用戶都看過，那就可以推薦給剩下的20%。

(2)產品內主動詢問

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

(3)對比用戶特徵

新聞的特徵加用戶的閱讀數據能得到用戶的特徵，那就可以通過用戶特徵的相似性來劃分群體。

最後總結，沒有一款完美的個性化推薦演算法，畢竟用戶的心裡你別猜別猜別猜，但是產品經理還是要結合自身產品不斷打磨演算法。

❻ 推薦演算法有哪些

推薦演算法大致可以分為三類：基於內容的推薦演算法、協同過濾推薦演算法和基於知識的推薦演算法。 基於內容的推薦演算法，原理是用戶喜歡和自己關注過的Item在內容上類似的Item，比如你看了哈利波特I，基於內容的推薦演算法發現哈利波特II-VI，與你以前觀看的在內容上面（共有很多關鍵詞）有很大關聯性，就把後者推薦給你，這種方法可以避免Item的冷啟動問題（冷啟動：如果一個Item從沒有被關注過，其他推薦演算法則很少會去推薦，但是基於內容的推薦演算法可以分析Item之間的關系，實現推薦），弊端在於推薦的Item可能會重復，典型的就是新聞推薦，如果你看了一則關於MH370的新聞，很可能推薦的新聞和你瀏覽過的，內容一致；另外一個弊端則是對於一些多媒體的推薦（比如音樂、電影、圖片等)由於很難提內容特徵，則很難進行推薦，一種解決方式則是人工給這些Item打標簽。 協同過濾演算法，原理是用戶喜歡那些具有相似興趣的用戶喜歡過的商品，比如你的朋友喜歡電影哈利波特I，那麼就會推薦給你，這是最簡單的基於用戶的協同過濾演算法（user-based collaboratIve filtering），還有一種是基於Item的協同過濾演算法（item-based collaborative filtering），這兩種方法都是將用戶的所有數據讀入到內存中進行運算的，因此成為Memory-based Collaborative Filtering，另一種則是Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚類，SVD，Matrix Factorization等，這種方法訓練過程比較長，但是訓練完成後，推薦過程比較快。 最後一種方法是基於知識的推薦演算法，也有人將這種方法歸為基於內容的推薦，這種方法比較典型的是構建領域本體，或者是建立一定的規則，進行推薦。 混合推薦演算法，則會融合以上方法，以加權或者串聯、並聯等方式盡心融合。 當然，推薦系統還包括很多方法，其實機器學習或者數據挖掘裡面的方法，很多都可以應用在推薦系統中，比如說LR、GBDT、RF（這三種方法在一些電商推薦裡面經常用到），社交網路裡面的圖結構等，都可以說是推薦方法。