推荐算法已经诞生了20余年，目前已经发展得非常成熟了。作为算法不仅仅是效率提高，很多场景下更是提供了全新的体验。
效率提升很容易理解，推荐算法和纯编辑选择相比，无论是电商的销售额还是内容产品的点击率，都可以轻易取得翻倍的提升。今日头条之于传统门户就是全新的体验，有效地解决了不同用户资讯品味不同的问题，阅读体验有了颠覆性提升。
但不管时代怎么发展，推荐面临的问题都是类似的，而围绕不同的推荐场景，解决的思路是有一些差异，今天依旧是避开具体算法，来介绍一些主要的推荐思路。
基于内容相似性
这是最古老的一种推荐算法了，因为你偏好A，所以就给你推荐A相似的B。大部分算法本质就是这个思路，区别就是怎么定义偏好，怎么定义相似。
偏好就是从茫茫用户行为中找到哪些用户行为代表了用户的兴趣。电商行业中最直接的就是购买，加入购物车、点击进入详情页也可以算。内容行业中的点击、正面评论、收藏、多次播放、分享、阅读后关注等都可以算。还可以有一些构造出来的指标，比如阅读比例大于X%，这些需要统计分析。
偏好的定义是推荐算法的基础，也是少有的产品经理能参与的部分，因为本质上是基于对用户的理解选取特征。但算法的发展，就是在不断排斥这些人工能干扰的因素，现在关于选特征有了很多算法手段，工程师需要做的就是不断把数据扔进算法。
基于相似性算法最大的变数就是关于相似的判断上。
最直接的就是基于内容是否有共同点，用户消费了一本书，给用户推荐同作者或者同主题的书。这的其实是结构化的标签，需要运营整理。
如果维度多一点就是基于标签推荐了，这里甚至可以把用户自定义的标签作为推荐依据。后来有一些算法化的方法做内容的标准化，可以从文章中提取主题标签，也算是基于标签的推荐，适合用在内容量巨大的UGC场景下。
基于协同关系
协同过滤是一个范围非常广泛的推荐算法，也是一种古老的推荐思路。不是基于内容的相似性，而是更系统化地从整体数据中找到推荐依据。
有一种古老的基于用户相似性的算法，就是计算用户之间的相似性，然后给用户推荐其他相似用户偏好的内容。而评估用户的相似性，就是基于用户的行为数据去判定。这种算法在规模很大的时候比较低效，因为要算所有人。
另一个协同就是非常常见的，“看过的人还看了”，就是假设用户看的内容之间有一定的关联度（不一定是相似），有推荐价值。这个算法简单高效，而且用户容易理解，目前还是很多算法的补充算法。
基于点击率预测
推荐算法本质也是对内容点击概率的预测，而基于很多特征去预测点击率，那算法可就太多了。
但是需要说明的是，不是说把内容按照点击率排序就是好的推荐算法，排序策略也很重要。显然不可能搞一堆一个类型的内容连在一起，用户会厌烦。但是算法发展了这么多年了，有场景就有研究，排序的算法也有。
这类算法的核心就是找到对推荐效果有价值的特征，或者构造足够多的特征进去。
小结：
这种分类其实比较粗糙。而且为了简单点，连推荐算法名字都没写。
策略产品经理在推荐这个领域，想发挥价值，确实很难。领域太成熟了，看论文然后复现，都能解决大部分问题。但是也有一些算法视角之外的盲点可以参与。大部分算法工程师因为只关注算法而忽视业务细节，导致算法盲点处可以做很多业务调整，影响整体算法效率。
不过要理解算法的盲点有哪些，得先了解算法原理是什么，就不得不深入到算法层面。这也是很多人觉得自己没有发挥空间的原因。
