1樓：姚凱飛
1.關於如何做好
1.1巨集觀:做好推薦演算法必須以產品做為導向(見圖一)，並輔之以全域性思維(整體優化)，從設計方案、資料收集、架構到落地應用
1.2微觀: 挖資料/洗資料/分析資料/合適的特徵+根據產品/資料形態選合適的演算法+根據評估指標調優(調參)，中間是不斷的嘗試
2.常見錯誤:舉了幾個例子，見圖
二、三(我的知乎live中ppt的擷取)圖一
圖二
圖三
2樓：Anacleto
簡單說下我覺得實際應用時可能需要考慮的方面。
資料：不同的資料適應不同的演算法。例如只有使用者的行為資料（例如購買、檢視等互動資料），則只能選用簡單的演算法（例如協同過濾，基於物質擴散的演算法等），如果包含使用者或物品資訊，可以選用較為複雜的演算法。
一般來說，使用的資訊越多，得到的結果越精準。
產品型別：每個推薦系統所針對的產品不同（例如買商品的和推薦電影的），所選用的演算法也應該是不盡相同的，盡量利用所在產品系統自身的特點。
冷啟動 ：在推薦演算法啟動初期的資料是否夠，對新使用者和新產品是否也能進行推薦。
效能：是否需要實時推薦。非實時推薦對效能的要求比較低，則可以選用較複雜的演算法。實時推薦則對效能要求比較高，一般選擇複雜度較低的演算法。
多樣性：精度和多樣性的問題。在精度達到要求的情況下可以考慮推薦的多樣性。
3樓：吃貨AT楊
我建議還是看看這三篇文章會有很大的幫助。
探索推薦引擎內部的秘密，第 1 部分: 推薦引擎初探探索推薦引擎內部的秘密，第 2 部分: 深入推薦引擎相關演算法探索推薦引擎內部的秘密，第 3 部分:
深入推薦引擎相關演算法目前的推薦演算法主要還是基於人（user）或者內容(item)來進行建模，所以常用的演算法也基於人或者內容，還有一種採用降維的混合式演算法也比較有效，推薦演算法個人認為現階段要達到非常靠譜的效果還是很難的，基於已有資料做推薦容易形成小圈子，很難從乙個知識結構中跳出來。
4樓：馬博
因為，人們用同類人的選擇結果，作為自己的決策參考，有前車之鑑的意義，所以人們需要推薦。
當人們面臨選擇時、決策時，需要推薦中肯的意見。面臨不能確定的問題時，需要推薦別人的結果。
不同場景對於不同使用者的識別值得注意。對於不同使用者訪問路徑值得注意。
不知是否能幫到你。。。
資料探勘中常見的 異常檢測 演算法有哪些？
大龍貓 發現了今年的一篇深度學習在異常檢測上的綜述，感覺還不錯 Deep Learning for Anomaly Detection A Survey yycc 分享乙個比較冷門而且比較玄幻的演算法，至今我仍沒能理解該團隊的想法 演算法名稱 HTM Hierarchical Temporal Me...
使用者運營和客服有哪些不同？如何做好使用者運營？
timon 使用者運營是運營的工作範圍之一，主要是指通過一系列的運營手段，來提高使用者的活躍 留存 轉化和付費為目的。而客服主要是做售前 售後 回訪和使用者的疑問解答等一系列工作。運營和客服人員都是直面使用者的一線工作人員，需要承受很多的壓力 公司的重要KPI 關鍵績效指標 使用者的責難 產品經理的...
有哪些值得推薦的常見伏特加品牌？
喝茶喝酒 常見伏特加品牌 絕對伏特加 蘇聯紅牌 蕭邦 斯公尺諾 俄羅斯標準 雷克 雪樹 芬蘭伏特加 詩珞珂 狄托 深藍 灰雁。1 瑞典的絕對伏特加原味伏特加 中性伏特加，絕對經典款 國內銷售第一，全球銷售第二的伏特加品牌，有典型的黑胡椒和麵包香氣，入口乾淨，略有香草味，回味時帶來一絲酒精的辛辣。純飲...