智能推荐是非常重要的数据产品，是比较早期的实现了智能化、自动化的的数据产品。
在现在的科技发展中，客服智能化了么？没有~优惠券？定价？都还没有智能化，只有分发实现了智能化。
字节跳动做智能推荐很厉害，对公司的业务产生了巨大的变革，所以今天我们把智能推荐这个事情来聊聊。
智能推荐的背景
用户越来越多，商品越来越多，那么用户想要找到想要找到的商品也越来越困难，让某个或某些产品在众多产品中脱颖而出也是特别特别的困难，简单的来讲就是供需匹配，两者无法匹配的上，所以怎么办呢？如何解决这个问题呢？
各类方案解决的优劣
所以当前有这么几种解决方案，分别是搜索引擎、分类目录和智能推荐，接下来我们就简单介绍一下这三种解决方案的优劣势。
搜索引擎 需要用户主动去搜索，这个是百度干的事儿，但是这个时候是需要用户的目的性很强才行，要知道自己想要什么，但是很多时候我们并不知道我们想要什么东西，我也不想去绞尽脑汁去想我要什么，只想放松，那搜索可以做到么？做不到，可能搜索出来的东西并不是可以满足我们的东西~
分类目录 在这个里面，我们要知道我们想要的东西属于哪一种属性，知道了之后才能去找，如果分类属性选择错了，那就在当下这个错的目录里面永远也找不到我想要的东西。而且一旦我不清楚我自己想要什么的时候，面对纷繁复杂的分类目录，更是无从下手~
智能推荐
而智能推荐呢？我不需要用户提供明确的需求，我只需要根据用户的历史行为去建模，然后根据他们的历史行为判断接下来的行为和喜好，去给用户做相对应的内容、产品推荐。所以当用户没有明确的目的的时候，也可以帮助用户发现新内容
智能推荐的机制
人 建立用户画像，给用户打上事实标签和模型标签，什么是事实标签？就拿虚拟人物“小明”举个例子吧！小明经常在某购物平台上购物，并已完善自己的个人信息，那么平台就会把该信息收集，作为事实标签。
姓名：小明 性别：男 身高：180cm 体重：70kg 爱好：看电影 职位：产品经理 目前所在地：上海
消费等级：极高（根据日常消费习惯判断） 常看类型产品：高科技产品，数码产品，大牌运动鞋
那什么是模型标签呢？就是系统可能会把一类人划分为一个模型，他们的事实标签可能会比较相似，这就是一个模型标签，我接着拿玉康举例子，比如说系统给他们这一类人建的模型标签名称是“大款”，那可能别的某个大款看上了一个布加迪，加购并付款了，虽然孙玉康没有看这个产品，但是可能布加迪及相关产品也会出现在孙玉康的推荐列表中
货（内容）
给内容或产品打上标签，比如一个运动上衣，可能会有夹克、运动、长袖、外套等等各种各样符合这个产品的标签，并记录这个产品的售卖数量，收藏、加购的数量等然后通过人货模型，就可以知道，比如说：年轻的女孩子，喜欢口红，包包、购物、逛街；年轻的男孩子，喜欢女孩子，喜欢手机、手表、汽车，然后怎么匹配呢？
场
就是在对应的场里做匹配，比如说首页、Feed流、导航栏、个人中心等等，在你想要的场景匹配上你所需要的数据然后我可能有了这个标签的推荐方法，我把一个东西推给一部分人，然后这部分人很喜欢这个东西，那我就可以把这个东西推给更多类似的用户了，然后不停不停的去扩展流量，我就知道每个用户喜欢什么东西了。
智能推荐系统的框架
数据采集
怎么去采集啊？要去做埋点，要去记录用户的数据。比如说一个用户打开了我们的某小程序，他注册的信息是什么？他是几点打开的，几点关闭的小程序，查看了哪些页面，浏览了哪些产品，每个页面的停留时间是多久，用的4G还是5G还是WIFI啊，在哪儿？这时候用户数据和行为数据都知道了，那什么是内容数据呢？比如说抖音，亿万的人在抖音产生了几千亿条抖音短视频，这些都是内容数据。数据整理
采集到数据之后，就要把数据做标注，数据标注的类型有：图片标注，语音标注，文本标注，视频标注，道路标注，行人标注，人脸106点，图像语义分割等。然后有些数据是重复的，需要做合并，有些是无意义的数据，影响后面的数据整理，那就做数据清洗，把它干掉等等画像体系
有了这些数据，我们就可以生成画像了，就知道是什么了。画像有人物画像，也有商品画像；我们继续来说小明，比如说：小明，26岁，性别男，爱好看电影，喜欢吃小龙虾，商品画像其实就是描述这个商品的内容的东西。算法引擎
协同过滤：比如说小明喜欢《数据挖掘导论》，小红喜欢《三个火枪手》，基于 UserCF(用户协同过滤)，找到与他们偏好相似的用户，将相似用户偏好的书籍推荐给他们；还可以基于ItemCF(物品协同过滤)，找到与他们当前偏好书籍相似的其他书籍，推荐给他们。隐语义模型：根据用户的当前偏好信息，得到用户的兴趣偏好，将该类兴趣对应的物品推荐给当前用户。比如，小明喜欢的《数据挖掘导论》属于计算机类的书籍，那我们可以将其他的计算机类书籍推荐给他；小红喜欢的是文学类数据，可将《巴黎圣母院》等这类文字作品推荐给她，这就是隐语义模型。
此外还有聚类模型
推荐接口
由于有这些底层的数据及算法，那就可以根据这些数据通过接口，在某些场景去给他们做分发，我们继续来说小明，不仅喜欢吃老乡鸡，还喜欢打网球，弹琴，琴棋书画样样精通啊。孙总打开手机的时候，我就可以在他的用户端的各个模块下给他推荐他喜欢的东西了底层规则控制及配置
比如说我知道小明喜欢吃老乡鸡，可是我已经给他推送了3天了，第四天我再给他推送，估计他就吐了，那我给他推送一波小厨娘，名称就很符合小明的审美嘛，他是不是就很大概率会买呀，这个就是一些规则的控制与配置，最后通过重新得到的数据去统计分析数据采集及画像构建
有些数据用户会手动填写，有些我们需要根据用户的行为去分析、推测，还有一些 需要我们去埋点获取根据数据，构建用户画像
根据各个标签，我们可以知道这个人的用户画像。然后根据这个人是谁，我们就可以去查找他对应的信息有哪些，我们就可以根据用户画像中的信息去推送他喜欢的东西。
算法的工作机制
我们把用户画像和商品画像丢到了算法池子里，过来一个一个用户请求后，我们会先调用用户画像，让我看看你是谁？然后我会再看看我有哪些东西，知道了这些后，系统会按照你的需求去做召回，把东西从库存中拿出来，比如说我从热点里召回了500个，从兴趣中召回500个，从TOP队列中再召回500个，从很多队列中召回。 比如说我们召回了1500个东西后，我不可能全给你展示，还是太多了，那我就会给这1500个东西评分，排出来个123，所以就会通过协同过滤去做一个排名，用RFM模型去做排序。这是第一次排序。然后会根据一些运营规则和玩法再去做一次排序，为什么要做两次排序呢？因为计算量太大了，所以要做两次排序。
排序之后，就是对每个人做一个千人千面的展示了。