隨著(zhù)互聯(lián)網(wǎng)的飛速發(fā)展，越來(lái)越多的手機APP正在豐富著(zhù)人們的生活。很多人留意到了一個(gè)神奇的現象，即購物APP總能推薦自己想要的商品，新聞APP也能精準地把握自己所關(guān)注的新聞內容，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(shí)現的呢？

其實(shí)，精準把握用戶(hù)的喜好并推薦用戶(hù)感興趣的信息和商品，是推薦系統的功勞。推薦系統屬于一種過(guò)濾資訊的應用，主要是使用用戶(hù)的歷史行為數據（即用戶(hù)的過(guò)去偏好或相似用戶(hù)的過(guò)去偏好）來(lái)預測該用戶(hù)未來(lái)的喜好。其中，常用的推薦系統算法有基于內容的推薦算法和協(xié)同過(guò)濾推薦算法等。

基于內容的推薦算法是直接根據產(chǎn)品的內容信息作出相關(guān)推薦，為用戶(hù)推薦與歷史感興趣商品相似的新商品，不需要用戶(hù)對物品進(jìn)行評價(jià)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(hù)推薦新的喜好。

協(xié)同過(guò)濾推薦算法的主要方法是，如果要為用戶(hù)推薦感興趣的商品，首先需要找到與該用戶(hù)有相似興趣的其他用戶(hù)，再將其他用戶(hù)感興趣的內容推薦給該目標用戶(hù)。具體來(lái)說(shuō)，協(xié)同過(guò)濾分為基于用戶(hù)的協(xié)同過(guò)濾和基于項目的協(xié)同過(guò)濾，協(xié)同過(guò)濾算法會(huì )建立用戶(hù)-項目矩陣，需要收集用戶(hù)對項目的評價(jià)打分，來(lái)預測目標用戶(hù)對一個(gè)新項目是否感興趣。例如，我們經(jīng)?？吹教詫毜入娚唐脚_收集評價(jià)打分（滿(mǎn)分為5分）。對于目標用戶(hù)A，與他有相似興趣的用戶(hù)B對商品1的評價(jià)打分是4分，對商品2的評價(jià)打分也是4分。而目標用戶(hù)A對商品1的打分是5分，那么我們就可以為目標用戶(hù)A推薦商品2。

除了APP，現實(shí)生活中也不乏通過(guò)推薦系統算法優(yōu)化銷(xiāo)售的例子。在美國的沃爾瑪超市，有研究人員通過(guò)對購物數據進(jìn)行分析，意外發(fā)現跟尿布一起購買(mǎi)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(mǎi)尿布，而父親會(huì )順便為自己購買(mǎi)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(xiāo)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)。