說個性化之前，先提壹下非個性化。 非個性化的推薦也是很常見的，畢竟人嘛都有從眾心理，總想知道大家都在看什麽。非個性化推薦的方式主要就是以比較單壹的維度加上半衰期去看全局排名，比如，30天內點擊排名，壹周熱門排名。
但是只靠非個性化推薦有個弊端，就是馬太效應，點的人越多的，經過推薦點得人有更多。。。強者越強，弱者機會越少就越弱，可能導致兩級分化嚴重，壹些比較優質素材就被埋沒了。
所以，為了解決壹部分馬太效應的問題，也主要是順應數據化和自動化的模式，就需要增加個性化的推薦（可算說到正題了。。。）個性化的優點是不僅體驗好，而且也大大增加了效率，讓妳更快找到妳感興趣的東西。YouTube也曾做過實驗測試個性化和非個性化的效果，最終結果顯示個性化推薦的點擊率是同期熱門視頻的兩倍。
1.新聞、視頻、資訊和電臺（基於內容推薦）
壹般來說，如果是推薦資訊類的都會采用基於內容的推薦，甚至早期的郵件過濾也采用這種方式。
基於內容的推薦方法就是根據用戶過去的行為記錄來向用戶推薦相似額推薦品。簡單來說就是妳常常瀏覽科技新聞，那就更多的給妳推薦科技類的新聞。
復雜來說，根據行為設計權重，根據不同維度屬性區分推薦品都是麻煩的事，常用的判斷用戶可能會喜歡推薦品程度的余弦向量公式長這樣，我就不解釋了（已經勾起了我關於高數不好的回憶）。。。
但是，這種算法缺點是由於內容高度匹配，導致推薦結果的驚喜度較差，而且有冷啟動的問題，對新用戶不能提供可靠的推薦結果。並且，只有維度增加才能增加推薦的精度，但是維度壹旦增加計算量也成指數型增長。如果是非實體的推薦品，定義風格也不是壹件容易的事，同壹個作者的文風和曲風也會發生改變。
2.電商零售類（協同過濾推薦和關聯規則推薦）
說電商推薦那不可能不講到亞馬遜，傳言亞馬遜有三成的銷售額都來自個性化的商品推薦系統。實際上，我自己也常常在這裏找到喜歡的書，也願意主動的去看他到底給我推薦了什麽。
壹般，電商主流推薦算法是基於壹個這樣的假設，“跟妳喜好相似的人喜歡的東西妳也很有可能喜歡。”即協同過濾過濾算法。主要的任務就是找出和妳品味最相近的用戶，從而根據最近他的喜好預測妳也可能喜歡什麽。
這種方法可以推薦壹些內容上差異較大但是又是用戶感興趣的物品，很好的支持用戶發現潛在的興趣偏好。也不需要領域知識，並且隨著時間推移性能提高。但是也存在無法向新用戶推薦的問題，系統剛剛開始時推薦質可能較量差。
電商行業也常常會使用到基於關聯規則的推薦。即以關聯規則為基礎，把已購商品作為規則頭，規則體為推薦對象。比如，妳購買了羽毛球拍，那我相應的會向妳推薦羽毛球周邊用品。關聯規則挖掘可以發現不同商品在銷售過程中的相關性，在零售業中已經得到了成功的應用。
3.廣告行業（基於知識推薦）
自從可以瀏覽器讀取cookies，甚至獲得年齡屬性等信息，廣告的個性化投放就也可以根據不同場景使用了。
當用戶的行為數據較少時，基於知識的推薦可以幫助我們解決這類問題。用戶必須指定需求，然後系統設法給出解決方式。假設，妳的廣告需要指定某地區某年齡段的投放，系統就根據這條規則進行計算。基於知識的推薦在某種程度是可以看成是壹種推理技術。這種方法不需要用戶行為數據就能推薦，所以不存在冷啟動問題。推薦結果主要依賴兩種形式，基於約束推薦和基於實例推薦。
4.組合推薦
由於各種推薦方法都有優缺點，所以在實際中，並不像上文講的那樣采用單壹的方法進行建模和推薦（我真的只是為了解釋清楚算法）。。。
在組合方式上，也有多種思路：加權、變換、混合、特征組合、層疊、特征擴充、元級別。 並且，為了解決冷啟動的問題，還會相應的增加補足策略，比如根據用戶模型的數據，結合挖掘的各種榜單進行補足，如全局熱門、分類熱門等。 還有壹些開放性的問題，比如，需不需要幫助用戶有品味的提升，引導人去更好的生活。
最後，我總想，最好的推薦效果是像壹個了解妳的朋友壹樣跟妳推薦，因為他知道妳喜歡什麽，最近對什麽感興趣，也總能發現壹些有趣的新東西。這讓我想到有壹些朋友總會興致勃勃的過來說，嘿，給妳推薦個東西，妳肯定喜歡，光是聽到這句話我好像就開心起來，也許這就是我喜歡這個功能的原因。