在信息时代的今天，大数据为用户获取方方面面的信息提高了效率，更可以智能的帮助用户从海量内容中快速找到想要阅读的信息，或者从海量商品中快速找到想要购买的商品。推荐引擎的发展让选择不明确的用户更加了解她们的需求和喜好。下面以内容产品和电商产品为例，谈谈推荐引擎在产品中发挥的巨大作用。
一、推荐引擎的分类
1.根据大众行为的推荐引擎（对每个用户给出相同的推荐）
内容产品和电商产品设计中，主要采用引导用户选择为目的来进行功能规划。以淘宝产品为例来说明这类产品设计
搜索：用户针对性对想购买的商品名称进行搜索，同时根据辅助关键词特性标签来缩小搜索范围来展现最符合用户喜好的商品。
分类：根据业务需求进行大分类帮助用户寻找有趣的商品，或者根据商品分类来挑选活动商品。例如：淘抢购中按照时间和分类进行特价秒杀（12个整点秒杀时间段）；聚划算中按照商品主题进行个性分类（非常大牌、每日必抢、全球精选等）
热门：手淘中按照生活中热门场景进行主题分类。展示用户普遍感兴趣的商品主题，如热门市场（女王范儿、腔调、星范、网红集合等）。基于用户感兴趣的话题进行商品分类增强了用户身份认知，将人的兴趣爱好和商品联系起来赋予人格化。
关注：微淘中关注的店铺动态，淘宝达人动态等主动关注内容。
推荐：微淘中“微淘发现”动态栏目组合了大量不同主题故事的淘宝达人内容，通过推荐热门的主题事件，将商品故事化帮助用户更好选择高品质商品。其中推荐内容涵盖关注店铺、精选店铺、红人店铺。另外还有热门话题榜和买家秀内容推荐。
二.个性化引擎推荐
1.根据用户的口味和喜好给出更加精准的推荐，帮助用户快速精准的找到想要购买的商品。
往往个性化推荐算法基于用户的静态信息和动态行为信息来全方位推荐。
静态信息：性别、年龄、收入、购物时间、价格等
动态信息：搜索历史、浏览记录、购买记录、物品评价记录等
这些详细的数据源形成有价值的用户消费行为大数据，大数据基础上建模应用提升了推荐效率，更加为平台增加了粘性。
2.三类推荐机制
人口统计推荐：根据用户基本信息发现用户相关度（用户画像的模型）
简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。淘宝目前有海量的用户消费喜好数据，用户群体的划分比较容易推荐相似商品。但是淘宝推荐没有融入社交朋友元素，往往只能复制商品链接到其他社交平台进行商品共享从而形成口碑传播，无法本平台上社交朋友间传播。
基于内容的推荐：根据推荐物品或者内容的元数据发现物品或者内容相关性（内容元数据建模）
根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。
基于协同过滤的推荐：根据用户对物品或者信息的偏好，发现内容或者物品本身相关性、发现用户的相关性
用户协同过滤算法
基于物品的过滤算法
淘宝的混合推荐机制：采用多种推荐机制将结果分不同的区显示给用户
越来越多的朋友反映淘宝猜你喜欢推荐越来越精准了，实际上可以从以下几个方面来分析：
1.打开手淘首页时，手指下滑页面时底部会自动提醒“猜猜你喜欢的宝贝”。猜你喜欢区域中，第一行基于人口统计的推荐，组织用户喜欢的内容专题进行推荐，并且可以实时更新，为用户推荐四个不同的商品专题刺激用户点击。每个内容专题使用俏皮时髦的短语和商品图片来吸引眼球。
2.后面是两列的单个宝贝推荐，基于物品协同过滤算法，根据用户最近浏览的商品推荐相类似的商品，相关商品按照用户历史浏览购买时间向下推荐，非常容易找到大量浏览喜好的商品，节约了商品寻找时间，帮助用户选择喜欢的商品。
3.同时大量的商品按照用户喜好的商品分类，从下到下进行精准交错推荐，减少了用户审美疲劳。
文 | claier_进击的PM（简书作者）
原文链接：http://www.jianshu.com/p/f7516fae8656
