隨著互聯(lián)網(wǎng)的飛速發(fā)展，越來越多的手機APP正在豐富著人們的生活。很多人留意到了一個神奇的現(xiàn)象，即購物APP總能推薦自己想要的商品，新聞APP也能精準(zhǔn)地把握自己所關(guān)注的新聞內(nèi)容，許多手機APP儼然已經(jīng)成為了知己般的存在。那么，這到底是怎么實現(xiàn)的呢？
其實，精準(zhǔn)把握用戶的喜好并推薦用戶感興趣的信息和商品，是推薦系統(tǒng)的功勞。推薦系統(tǒng)屬于一種過濾資訊的應(yīng)用，主要是使用用戶的歷史行為數(shù)據(jù)（即用戶的過去偏好或相似用戶的過去偏好）來預(yù)測該用戶未來的喜好。其中，常用的推薦系統(tǒng)算法有基于內(nèi)容的推薦算法和協(xié)同過濾推薦算法等。
基于內(nèi)容的推薦算法是直接根據(jù)產(chǎn)品的內(nèi)容信息作出相關(guān)推薦，為用戶推薦與歷史感興趣商品相似的新商品，不需要用戶對物品進(jìn)行評價打分。但是這種算法下推薦的商品的信息有限，方式較片面，難以為用戶推薦新的喜好。
協(xié)同過濾推薦算法的主要方法是，如果要為用戶推薦感興趣的商品，首先需要找到與該用戶有相似興趣的其他用戶，再將其他用戶感興趣的內(nèi)容推薦給該目標(biāo)用戶。具體來說，協(xié)同過濾分為基于用戶的協(xié)同過濾和基于項目的協(xié)同過濾，協(xié)同過濾算法會建立用戶-項目矩陣，需要收集用戶對項目的評價打分，來預(yù)測目標(biāo)用戶對一個新項目是否感興趣。例如，我們經(jīng)常看到淘寶等電商平臺收集評價打分（滿分為5分）。對于目標(biāo)用戶A，與他有相似興趣的用戶B對商品1的評價打分是4分，對商品2的評價打分也是4分。而目標(biāo)用戶A對商品1的打分是5分，那么我們就可以為目標(biāo)用戶A推薦商品2。
除了APP，現(xiàn)實生活中也不乏通過推薦系統(tǒng)算法優(yōu)化銷售的例子。在美國的沃爾瑪超市，有研究人員通過對購物數(shù)據(jù)進(jìn)行分析，意外發(fā)現(xiàn)跟尿布一起購買的最多的商品是啤酒。背后原因是，美國的家庭中，母親在家里照顧嬰兒，父親去超市購買尿布，而父親會順便為自己購買啤酒。因此，沃爾瑪將尿布和啤酒放在一起出售，極大提升了銷售收入。
本文由東北大學(xué)計算機科學(xué)與工程學(xué)院副教授信俊昌進(jìn)行科學(xué)性把關(guān)。
