我们身处被“投喂”的世界。
你看到的，都是别人想让你看到的。
我们知道自己想要什么，但一切满足需求的方案都是被推荐的，不管在哪个触点上和用户交互，都充满了推荐机制。
今天和大家聊一下8种推荐算法机制的相关内容。
大体上分为两类：基于人（ID）和基于物（内容和商品），文末有8种算法的原理、应用场景和优缺点对比总结表格，供大家参考。
基于人（ID）的四种推荐算法：基于社交关系、基于用户静态属性、基于用户相似度和基于物品相似度；
基于物（内容和商品）的四种是：基于内容热度、内容标签、关联规则和情境感知。
基于社交关系
首先来说说基于社交关系的推荐算法，其本质是基于用户的社交关系数据，比如你在刷视频号的时候，系统会给你推送好友在看的直播、或者是好友点赞的视频。
此外，在微信的“发现”界面中有一个“看一看”模块，里面的内容同样是基于社交关系进行推荐的，当你的朋友阅读公众号文章后，点击了在看，你就会在看一看中的“朋友在看”板块下，看到朋友“在看”的文章。
再举个例子，腾讯QQ在添加好友的时候，往往会给用户推送“可能认识的人”，而“可能认识的人”则是来源于好友的好友，也就是跟用户有共同好友的人有可能会被推荐。
优点：
基于社交关系的推荐效果一般会比较好，因为用户与好友有共同兴趣的可能性比较大。
还有个好处是用户对推荐内容的信任度相对来说会比较高，比如说豆瓣评分中会显示用户关注的人对内容的评分，这样用户在看评分时就有了一个相对可信的参照。
其次是能够解决冷启动的问题，比如抖音登录时，在用户允许APP查看通讯录的情况下，抖音就会给用户推荐通讯录好友的抖音动态，这样新用户在第一次使用APP时，相对来说就有了感兴趣的内容观看。
缺点：
但基于社交关系的推荐算法也有相应的缺点。在有些情况下，推荐的内容精准度有可能变低。
比如说在视频号中，父母点赞的一些内容与年轻人的兴趣则不在一个范畴，甚至不在一个圈层，因此基于这类社交关系推荐的内容，有时并不一定是用户感兴趣的内容。但如果你是想了解父母对什么内容感兴趣，这种推荐对你来说是个不错的功能。
此外还存在一个用户隐私边界的问题，例如用户觉得某个视频很好，想点赞，但又不愿好友看到自己点赞了什么视频，因此用户就可能会选择不点赞，所以基于社交数据的推荐有，可能触及用户的隐私边界。
基于用户静态属性
第二个要介绍的是基于用户静态属性的推荐算法。比如说新用户首次使用微信读书app时，系统会根据用户性别推荐不同类型的书籍，针对男性用户多是武侠小说类书籍，而女性用户则多是文艺类书籍。
简单来说就是基于用户的一些基础特征，比如性别，地区，年龄等静态属性。给用户打上标签，针对用户的标签推荐相应的一些内容。
优点：
基于用户静态属性的推荐，优点是不存在冷启动问题，就算没有新用户的历史行为数据，也可以按用户的静态属性标签推荐相应的内容，而不会过多依赖新用户的行为数据。
缺点：
但是缺点也比较明显，一是精准度相对较低，有时基础特征相似的用户喜欢的内容不一定相同，因此推荐的内容就不一定是用户感兴趣的。
二是属性标签过于简单，仅包含了静态的基础特征属性，而用户的喜好是动态的，不断在发生变化，因此这种算法无法及时地推荐用户喜欢的内容。那么有没有基于动态特征的算法，推荐用户更有可能喜欢的内容呢？
下面我们要说的第三种跟第四种算法相对就更灵活、更精准，分别是基于用户相似度和基于物品相似度的两种推荐算法，它们本质上都是基于用户历史偏好数据。
基于用户相似度
首先我们来说说基于用户相似度的算法，与基于用户属性最大的区别就是，增加了用户的动态属性，需要利用到用户的历史偏好数据，而不仅是静态特征。
举个例子，在电商平台上，小明购买了钢笔和书，小红购买了钢笔、书还有笔记本，小刚则购买了球鞋。根据他们的历史购买数据可以判断小明和小红的偏好较为相似，那么就可以推断出小明也可能喜欢或者需要笔记本，因此将笔记本这类商品推荐给小明，小明对笔记本就更有可能产生偏好。
基于物品相似度
而基于物品相似度的算法同理，根据众多用户的历史行为数据，判断物品与物品的相似度，将若干个相似度高的物品推荐给用户。虽然这种算法计算的是物品相似度，但本质上依然是基于用户的历史偏好数据。
比如前两天我在京东搜索了数字营销书籍这个关键词，后来系统就给我推荐了这本《数据赋能》，其中的原理是，不少购买过数字营销相关书籍的用户，也买了这本《数据赋能》，基于用户历史数据，算法推测出《数据赋能》与那些数字营销书籍有较高的相似度，因此系统将这本书给用户进行推荐。我买了之后发现这本书确实很好，干货与案例并存，了解数字化转型必备。
优点：
可见基于历史偏好数据的这两种推荐算法，优点都是更加个性化、能够处理更复杂的场景，而不仅仅只是基于简单的性别、年龄等静态属性。
并且还能很好地支持用户发现潜在的兴趣偏好，比如我在淘宝购物时，我本来只想买件衬衫，而算法基于其他相似用户的购买数据，给我推荐其他用户买来搭配衬衫的裤子，那么我就有可能同样喜欢这样的搭配，并产生更进一步的购买行为。
缺点：
但这两种算法相应的缺点是，新用户或者新物品会遇到“冷启动”问题，比如电商平台中，用户在没有产生购买行为时，系统就无法基于用户的历史偏好数据来进行推荐。
此外这种算法推荐的质量还依赖于用户历史偏好数据的多少，数据越多准确性相对越高，因此在初期，系统推荐的质量则比较差，不够精准。
基于热度
首先介绍基于热度的推荐算法，这种算法的原理是根据内容的互动数据，计算出时下热度最高的内容并推荐给用户。计算热度的维度可以是时间、内容访问量、用户对内容的评分等维度。
比如微博热搜就是典型的基于热度推荐，在时间维度的基础上，根据内容的访问量得出实时的最热榜单。此外，一些影评类、视频类网站也会使用热榜来给用户进行推荐，比如豆瓣就会按评分得出好评榜单。
优点：
这种推荐算法的优点在于不依赖用户的历史数据，对新用户也可以进行推荐，甚至可以通过一些高质量榜单吸引新用户，比如摄影图片类网站给新用户推送时下热度最高的内容，可以大概率满足用户需求，提高新用户的留存率。
其次对于一些网站、App来说，不断更新的热点能够维持老用户的活跃度，老用户可以高效地获取头部内容，比如吃瓜群众第一时间在微博、豆瓣上看娱乐八卦。
缺点：
而缺点则是热度高的内容不一定是高质量内容，就像微博明星热搜，有时也可能是粉丝刷的，或者是明星自己花钱买的。
此外因为是基于热度的推荐，因此推荐的内容就不一定能满足用户个性化需求，甚至用户喜欢的一些小众内容，往往无法被推荐给用户。
基于内容标签
今天说的第二种推荐算法，是基于内容标签，根据内容的特征打上对应标签，将同一标签下的不同物品推荐给用户，比如当用户浏览文具类商品时，铅笔跟橡皮都是文具类，系统就会给用户推荐这两种商品。
需要说明的是，这里所说的推荐相似物品并不依赖于用户的历史数据，仅仅是与物品本身的标签相似度有关。比如我第一次登录网易云音乐，我选择轻音乐的标签之后，系统就会自动给我推送钢琴曲，而不需要我的历史听歌数据。
此外在基于内容标签方面，还有基于知识的推荐例子，比如说知乎在给用户推荐同一领域的文章时，是根据文章中，知识本身所属领域的标签，而不取决于用户的历史偏好数据。
优点：
可见基于内容标签的推荐算法优点是不会过度依赖用户的历史数据，就算是新内容，也能有被推荐的机会。
缺点：
缺点是推荐内容的质量取决于标签的准确性，如果内容的标签不准确，那么相应的推荐，也就无法很好地满足用户需求。其次由于标签缺少用户反馈，这就导致标签的准确性难以得到优化提升。
基于关联规则
下面我们要说的第三种推荐算法，是基于关联规则进行推荐，这是一种转化率比较高的推荐算法，因为它的原理是从历史数据中挖掘关联规则，根据内容与内容的相关性进行推荐。
比如网球和网球拍大多时候会被用户同时购买，或者是购买婴儿衣服的用户，在一定时间后会购买儿童衣服之类的关联规则。基于关联规则给用户推荐的内容，往往更有可能满足用户需求。
优点：
除了转化率高这一优点，这种推荐算法还能够发现用户的新兴趣点，挖掘出用户的潜在需求。
缺点：
但是挖掘关联规则需要大量的数据做支撑，并且在实际应用中，一些热门的项目关联度往往较高，容易被过度推荐。
基于情境感知
最后来说说基于情境感知的推荐算法，情境感知是指用户在进入系统时所处的时间、地点、日期、心情等情境，比如说你今晚回家突然想点个外卖吃，那么打开外卖APP后，系统给你推荐的可能会是烧烤、麻辣小龙虾之类的食物，而不会是豆浆、油条这类一般作为早餐的食物，这就是基于时间的推荐。
而基于地点的推荐，体现在系统给你推荐商家的时候，往往是附近的商家，而不会推荐十公里以外的食物，毕竟太远的距离，小龙虾就凉了不好吃了。
优点：
这种基于情境感知的推荐算法优点在于实时性，比如说虽然你在淘宝有过夏装的购物历史，但系统也不会在冬天给你推荐夏装。此外用户的兴趣还可能会随时间变化，比如大学时期用户喜欢购买文学类书籍，但工作后可能更多购买专业书籍，而这种推荐算法的多样性，则能够在不同时间段推荐不同的内容，更加灵活地满足用户需求。
缺点：
但其缺点是推荐范围比较窄，受到情境的影响，一些内容无法推荐给用户，并且在多维度情境下内容匹配度的计算比较复杂。还存在冷启动问题，比如外卖APP中，如果用户不授权APP获取位置信息，则无法根据地点进行推荐。
8种推荐算法介绍完了，以下是对这8种算法的对比表格，供大家参考。
原文始发于微信公众号（夸克网）