为什么APP总是能知道我们想要什么？个性化推荐是背后推手( 二 ) 如果不是因为算法的存在

说难听点就是，这家公司获取到你的Cookie信息之后，你在他们面前就几乎没有秘密了。

文章图片
说实话，这种采集程度前所未有，其离谱程度更是超乎想象。不过这也恰恰说明了数据采集在个性化推荐中的重要性。
·推荐算法
说完了数据采集，我们再来聊聊“推荐” 。
“推荐”的核心就在于怎样从海量的产品中，找出你最有可能感兴趣的那些。这时候， APP之前通过各种渠道采集到的数据就起到了作用。
不过想要进行高效的推荐我们还得引入推荐算法。因为我们采集到的数据实在是太多了，只有算法的加持才可以简化这个推荐过程。
通常情况下，开发者会用到协同过滤推荐算法。
它主要通过对用户历史行为数据的分析发现用户的偏好，然后再基于不同的偏好对用户进行群体划分，之后再对同类用户推荐相同的商品。

文章图片
比如黑马和36最近在看摩托，虽然是两个账号，但是因为黑马和36的喜好和消费一致，那么这时候系统就会给黑马和36推荐相同的产品。
上面黑马也说了，协同过滤推荐算法比较简单，所以大家都在用。这也就导致一种情况，你有我有大家有，那不就是约等于没有嘛。
于是，聪明的开发者又开始引入了深度学习。

文章图片
在深度学习的加持下，推荐算法如虎添翼。
它不仅会从用户停留的页面采集数据，更是会根据用户点击的时间段、访问次数、访问渠道、留存率等更多因素多方面为用户建立模型。

文章图片
比如字节跳动旗下的抖音。
你在平台上的每一次点击、观看时长、点赞、评论与转发等都被量化了。之后，深度学习再根据这些数据设计出相关模型，用以预测同类用户群体的喜好。
在算法的加持下，抖音做到了比你还要了解你的喜好。越刷越有趣的抖音就此诞生。

文章图片

文章图片
个性化推荐存在的意义
通过上面这部分的介绍，想必大家应该知道个性化推荐是什么了。那么，个性化推荐算法存在的意义又是什么呢？
·提高效率
以YouTube为例，作为全球最大的视频网站， YouTube每分钟都有超过500小时时长的视频被上传（2018年的数据）。

文章图片
简单换算一下就是，一天会有超过720000小时时长的视频被上传。抛开运营成本不说，视频网站最大的痛点就是，如何让用户查看到他感兴趣的内容。

文章图片
于是我们可以看见， YouTube针对视频内容划分了类别，同时用户在注册时也需要选择感兴趣的内容类别。
这样一来， YouTube就可以针对用户喜好进行推荐筛选了。

文章图片
接下来的流程则和国内的视频网站应用相差不大。
在推荐冷启动阶段，针对用户的反馈（观看时长、赞、评论与转发等）来更加精准的判定用户喜好什么类型的视频，同时对视频的标签进行优化。