关于个性化的产品-用户模型分为行为模型和兴趣模型两部分，推荐系统包含我们常见的“推荐算法”，以及怎样把这些算法得到的结果推送到用户面前的“推荐逻辑”。

随着近年来互联网公司对个性化服务的关注程度在提高，开始有很多人从学术、从产品、从实现上研究推荐系统这个存在已久却颇为潮流的事物。一个产品的成功，需要建立在管理人员、产品经理及技术人员对相关知识体系里某些基本概念的共识，及由此产生的默契，避开无谓的争执与误解。

这里，我要根据自己的理解，斗胆给一些模糊的概念下一个定义。因为不管这些定义是否是公认的，每个人都应当为自己从事的领域建立一套基本而较为清晰的概念体系，为此你才可以把实践经验组织成一个可作演绎推理的系统。

何谓一个推荐产品，一言蔽之：找出用户兴趣所在，推荐符合TA兴趣的事物。这个定义包含了两方面的内容：用户建模与推荐系统。有些时候，用户建模这部分是没有的，或者只是一些简单的人口统计学信息。但拥有用户模型是一个推荐产品走向成熟的标志。

这里的用户模型又可分为行为模型和兴趣模型两部分。行为模型跟用户的访问行为相关，如用户的访问频次、在系统留下数据的多少、频繁点击模式及这些模式后面的意义等等。兴趣模型可以用一个高维的兴趣空间来刻画，这些维度所代表的意义可随着应用领域不同而变化，可以从用户的收藏行为中抽象，也可从文本信息中抽取。

推荐系统包含我们常见的“推荐算法”，以及怎样把这些算法得到的结果推送到用户面前的“推荐逻辑”。推荐算法跟我们常用的机器学习或数据挖掘算法并没有清晰的界线，基本上任何适用于大规模数据计算的机器学习算法都有可能成为你推荐系统中的候选。一个自适应的具有成长能力的推荐系统还免不了需要反馈收集和指标评价体系这些模块，这也是系统之所以被称之为系统的原因，在我以前写的一篇分析开源推荐系统框架duine的博客也有类似的描述。所以，推荐算法并不是一个专门的学科，但推荐系统的构建可以成为一个专门的研究领域。虽然大多数论文都只会讨论具体的某些或某类算法，但这不应成为你树立一个系统视角的障碍。

设计一个成功的推荐产品不单是工程师们的事，也是产品经理和设计师的事，特别是对于这么个没有太多实例可以参考的新颖的产品形式，各方面人员对基本概念的认识与认同，有助于一起协作把事情做好。

上面简短的文字，一部分是我三年从业经验的一些总结，一部分是我在翻译《智能web算法》这本书时对经验梳理的结果。

该书的第3章就是介绍推荐系统的，里面的叙述跟我的理解未必完全一致，但有助于梳理我们在这个实践性领域的思路。我随书做了一些笔记，放在豆瓣笔记上 ，有兴趣的朋友可以对比着阅读。

关于作者

阿稳, 豆瓣, 算法工程师

推荐系统；数据挖掘；算法架构及实现的可扩展性；R环境编程

如果你的问题已经能从我的博客中得到解答，就最好不过了：