我们在淘宝购物，在头条阅读新闻，在抖音刷短视频，背后其实都有智能推荐算法。这些算法不断分析、计算我们的购物偏好、浏览习惯，然后为我们推荐可能喜欢的商品、文章、视频。这些产品的推荐算法如此智能、高效，以至于我们常常一打开淘宝就买个不停，一打开抖音就停不下来。

01 基于人口统计的推荐

基于人口统计的推荐是相对简单的一种推荐算法，它会根据用户的基本信息进行分类，然后将商品推荐给同类用户，如图1所示。

用户A和用户C的年龄相近、性别相同，可以将他们划分为同类。用户A喜欢商品D，因此推测用户C可能也喜欢这个商品，系统就可以将这个商品推荐给用户C。

图1中的示例比较简单，在实践中，还应该根据用户收入、居住地区、学历、职业等各种因素对用户进行分类，以使推荐的商品更加准确。

02 基于商品属性的推荐

基于商品属性的推荐和基于人口统计的推荐相似，只是它是根据商品的属性进行分类，然后根据商品分类进行推荐的，如图2所示。

电影A和电影D都是科幻、战争类型的电影，如果用户A喜欢电影A，很有可能他也会喜欢电影D，因此就可以给用户A推荐电影D。

这和我们的生活常识也是相符合的。如果一个人连续看了几篇关于篮球的新闻，那么再给他推荐一篇篮球的新闻，他很大可能会有兴趣看。

03 基于用户的协同过滤推荐

基于用户的协同过滤推荐是根据用户的喜好进行用户分类，然后根据用户分类进行推荐，如图3所示。

这个示例中，用户A和用户C都喜欢商品A和商品B，根据他们的喜好可以分为同类。用户A还喜欢商品D，那么将商品D推荐给用户C，他可能也会喜欢。

现实中，跟我们有相似喜好、品味的人也常常被我们当作同类，我们也愿意去尝试他们喜欢的其他东西。

04 基于商品的协同过滤推荐

基于商品的协同过滤推荐则是根据用户的喜好对商品进行分类，然后根据商品分类进行推荐，如图4所示。

这个示例中，喜欢商品B的用户A和用户B都喜欢商品D，那么商品B和商品D就可以分为同类。对于同样喜欢商品B的用户C，很有可能也喜欢商品D，就可以将商品D推荐给用户C。

这里描述的推荐算法比较简单。事实上，要想做好推荐其实是非常难的，用户不要你觉得他喜欢，而要自己觉得喜欢。现实中，有很多智能推荐的效果并不好，被用户吐槽是“人工智障”。推荐算法的优化需要不断地收集用户的反馈，不断地迭代算法和升级数据。