我们每天都会被动的接受个性化推荐，今日头条、腾讯新闻等的内容推荐，淘宝、京东等商品推荐。
从商品/内容到用户，就是通过推荐系统来打通的。推荐系统是在某些场景下让内容和商品等信息和用户产生关联。让系统寻找用户感兴趣的内容并触达给用户。
那这个推荐系统是怎么工作的呢？
首先可以把所有信息分拆成无数个内容库，内容库都是为了搭建用户喜欢的高质量内容生成系统，不同的用户每次浏览到信息，内容库的权重和内容都会发生改变。这个具备实时更新和高效推荐的内容库必须要具备以下几个特征：
- 能够实时并持续挖掘高质量的内容；（高质量是指根据内容的维度来分权重打分排名）
- 能够实时并持续挖掘用户兴趣点；
- 能够持续给用户发送TA兴趣点的高质量内容。（这就是个性化推荐）
这儿最底层的问题有2个：
- 高质量内容库的标准是怎么定义的？
- 你的用户是谁？TA为什么喜欢这些内容？
我们一个个问题来解答。
要想解决高质量的内容库，John用电商产品来举例子。此时的内容库就是商品库。搭建一个好的商品库，需要这几个条件：
- 首先要把下架、已售罄的内容剔除；
- 然后针对销量、好评度、价格按照商品分类排序；
- 紧接着可以针对商品的关联性做二次排序（比如篮球服、篮球鞋、篮球可以组成一个商品库）
- 还可以针对商品消费频次做第三次排序（零食的消费频次可能一周一次，电器的消费频次可能2年一次）
- 还可以针对商品其他维度做第四、五次排序
- 最后针对于内容做优化，推荐度高的。包括：商品标题、图片、商品详情等优化
除了运营手工推荐的商品外，推荐的商品基本来自商品库，商品的质量奠定了个性化推荐的基调。商品库里的商品根据一定规则形成商品候选，机器就开始挑选商品进行后续的个性化推荐。
说清楚了内容库的标准定义方法。接下来聊聊TA是谁？
用户画像John之前也聊过，传送门：《用户画像、产品模块、抢单派单、产品规划十步走》，关键的一句话就是：不要单独的去拆分每一个用户画像，而是将一个个用户画像聚合成一群群用户画像。并且清晰的可知“他是谁”，“他喜欢什么”，为个性化推荐提供丰富而精准的用户画像。
同样可以简化成为用户的长期画像和短期画像。长期画像是指通过一段时间用户自主选择或者填写的基本信息形成的基础画像。短期画像是指在一段时间内用户在产品中形成的行为痕迹。
比如：一个21岁在北京的女大学生经常在电商产品中购买美容产品。一个月总体消费在1000元左右。
这就是在电商产品中常见用户画像。除了用户在APP上的购买行为。用户画像的完善还可以借助新手引导的兴趣标签等选择、运营活动（助力拉新活动可以收集好友关系链）等等。
最后一点要注意的是：不能单纯的整理用户画像，而是通过如何更好的提高业务指标而去划分用户画像的维度。
在上面其实留了一个引子。个人的用户画像已经建立，怎么去寻找同类用户的群体画像呢？——标签。
用户的标签是根据商品的标签来确定匹配关系的。商品常见的标签为：热门、分类、品牌、属性、关联性、客单价。
热门：去判别热销通过哪些维度去权衡。包括“销量”、“好评度”、“关注度”、“搜索量”等去加权计算。
分类、品牌、属性、关联性、客单价：可以通过商品自带的基本属性加上系统和人工打的标签处理。
比如护肤品可以打性别标签（男/女）、品牌可以打高端/平价、价格可以打高价/低价等对应的标签。
也就是可以针对商品多维度的标签处理来对应用户多维度的标签。那系统怎么去选取商品分发给用户？
当然还可以根据地理位置的筛选、根据分类兴趣的筛选、根据关键词的筛选、根据热议度的筛选等等。
这里需要赘述一下的是：在下发给用户的商品数据，看用户的点击数据和购买转化率，做后续数据沉淀和转化。
从筛选层→过滤层→排序层→业务层→下发，每一层都有N种标签，重要的是找到和用户最匹配的标签度做权重划分。
本文只是整个的概述，如果需要案例。后面将一一写下。说句真心话：如果构建了整体的标签体系和用户体系，加权推荐已经足够了。
