“閱讀、電影和音樂的推薦算法，哪壹個更難做？為什麽？”關於這壹問題，小編從諸多網友的回復中為妳篩選了最用心、最高贊的回答！快來看看吧~
來看看網名為“幸運的ZLT0502”的網友是怎麽說的：
電影---音樂----閱讀！從我的經驗來看，閱讀是最難做到的，其次是音樂，最簡單的就是電影。當然，是在有很多數據的前提下。從幾個領域的特點來看：1．電影的item數量相對較少，好的電影有很長的生命周期，加上電影社區的用戶行為，視頻網站或預訂網站，都很好獲得，所以特別適合合作過濾。即使這不是壹部大熱門電影，妳也可以根據導演、類型、明星等制作內容。這些都是結構化的信息，所以沒有難度。音樂的item比電影要多壹些，生命周期也非常不同，但它也可以用於基於用戶行為的協同過濾。該算法如何表達和更新用戶的興趣?如何根據興趣標簽計算推薦結果?至少我沒有看到特別成功的推薦閱讀應用程序。算法上，都各有難度，但閱讀類的，由於分類太多，在算法上自然要更加復雜。
來看看網名為“派網友”的網友是怎麽說的：
個人認為無論是基於用戶行為（協同過濾），還是基於內容相似度的推薦算法，難度從高到底都依次是：音樂-閱讀-電影。
對於ID為“樓船吹笛雨瀟瀟”網友的精彩回答，大家紛紛點贊支持，他是這麽說的：
我覺得是各有所難，並不能說哪個難，哪個容易。推薦的成功率：公***決策對推薦的影響：判斷價值的建議：三者各有難度，但是個人在長期的習慣中可以對其中壹種或者多種情景中加以選擇和實踐，但這也不是壹蹴而就的事情，慢慢來吧。
妳贊同哪位網友的觀點呢？