大家一定很好奇，计算机如何知道你喜欢什么?
本人通过聊天法，获得了些启示。据此，制作了一幅图，深入浅出的解释一下。(请看上图)
评论摘抄：
QW: 基本差不多，不过我觉得机器学习模型和分析同类行为其实是一回事，都是根据已有的海量数据进行建模，把你的历史行为匹配到已有模式上。而且在实际的推荐系统中，多种算法综合，多个维度的调优才是生产环境中最常见的。
Lightning: 不是这个方向的，不敢说什么。应该不用局限在这么几种数据，如果可以的话，想尽一切办法收集用户全产品线的任何行为甚至包括修改昵称，发的帖子，关注的人，群，组等等等等，对模型一个又一个进行尝试，不断的推倒旧模型建立新模型，经过无数次失败的建模，和足够多数据的训练
Haohuang: 启发法和机器学习本质上差不多吧，纵向和横向的数据维度分得很赞，其实和人的认知方式差不多，要么纵向地看历史，从过去中找到一些相似或者规律来推知未来，要么横向地比同类，利用同类的已知数据来猜测个体的未知特征……
zhangchen: 这里指出的启发方法和机器学习之间的差异感觉不是那么明显，都利用用户过去的数据在调整映射函数。除此之外，机器并一定能很好地发现特征，一般来说特征是人为选定的，有一些辅助选择特征的方法。一般意义上的搜索引擎不太能够发掘个人兴趣，针对个人个性化搜索还在尝试中，一般意义上的搜索还是针对通用群体做优化。至于第二种方法，这是其中一种建模的方式，从用户到用户再到推荐的事物，除此之外，还可以对于直接建立用户和事物之间的关系，将其映射到一个统一的空间后进行描述和比较。利用到的信息也不仅仅包含标签，打分，浏览信息，在当前页面停留了多久等等，都可以作为隐式信息使用。
当然，还有专业人士(@郭昂9)，用更“产品”的维度分类，总结制作了以下一幅微博图表。十分赞!
微博评论摘抄：
清风运文：第一次看到这样的划分，挺有意思的。在我看来，其实第一列站内推荐和第三列页面相关推荐意义相近，都是进行相关内容的推荐，算法也有很多类似之处，不同的是站内推荐的数据来源来自本站，而后者来自全网。有点类似于垂直搜索和全网搜索
riverside1904：stumble大量使用了协同过滤和基于内容的挖掘。相比页面相关推荐可能让人觉得有点无中生有。但是绝对不是无聊式的推荐。要想做好，从技术上也绝对不会比页面相关推荐容易。
王小科笑笑：我觉得，WEB层面推荐引擎的坎：第一个是技术难度，智能类应用难度比搜索类应用高一个层级，并且，也相当于在搜索引擎之上再加一层，各类指标尚需要再乘上一个小于一的系数，可能将低于用户能接受的范围。第二个是产品，用户可接受的程度比较小，即使有希望接受，必须找好切入点，不然会弄出反效果。
转载请注明出处：唯众网络
