原文地址：https://zhuanlan.zhihu.com/p/32676914
推荐系统的3个w和一个h
1.是什么（what）
推荐系统就是根据用户的历史，社交关系，兴趣点，上下文环境等信息去判断用户当前需要或潜在感兴趣的内容的一类应用。
2. 为什么（why）
大数据时代，信息量过载。用户从大量的信息中寻找对自己感兴趣的信息也随之变得困难；而对于信息生产者而言，让自己生产的信息在众多信息中脱颖而出也变得越来越苦难。推荐系统就是在这样的前提下产生的。
推荐系统的主要任务就是联系用户与信息。对于用户而言，推荐系统能够帮助用户找到感兴趣的内容，帮忙进行决策与筛选，发现用户可能喜欢的新事物。对于商家而言，推荐系统可以给用户提供个性化服务，提供用户的信任度和粘性，增加营收，或者精确投放对应的广告，提高收入。通过一组简单的数据，我们即可了解推荐系统的价值：
- Netflix：2/3被观看的电影来自推荐
- Google news：38%的点击量来自推荐
- Amazon：35%的销量来自推荐
3. 用在哪里？（where）
大数据时代，我们的生活的方方面面都出现了信息过载的问题：电子商务、电影或者视频网站、个性化音乐网络电台、社交网络、个性化阅读、基于位置的服务、个性化邮件、个性化广告.......逛淘宝、订外卖、听网络电台、看剧等等等。推荐系统在你不知不觉中将你感兴趣的内容推送给你，甚至有的时候，推荐系统比你本人更了解你自己。
4. 怎么做？（how）
4.1 目标
目标是指产品所需要带怎么样的收益。一般而言，推荐系统的参与者包括三种角色：用户、商家（广告主、淘宝卖家等）、平台。不同的角色之间的利益是不一致的，如何均衡化不同角色在推荐系统中的收益是一个值得考量的问题。
4.2 业务
推荐系统的业务主要包括四个部分：
- 物料组装：生产广告，实现文案、图片等内容的个性化
- 物料召回：在大量内容中召回一个子集作为推荐的内容
- 物料排序：将召回的子集的内容按照某种标准进行精细排序
- 运营策略：加入一些运营策略进行一部分的重新排序，再下发内容
4.3 数据
推荐系统必须要实现收集与分析数据的功能。数据收集体现为：埋点、上报、存储。而数据分析则体现为：构造画像（用户与内容）、行为归因。
4.4 算法
推荐系统的算法体现在两部分：召回、排序。
召回的算法多种多样：itemCF、userCF、关联规则、embedding、序列匹配、同类型收集等等。
排序的算法可以从多个角度来描述。这里我们从一个宏观的角度来描述。
排序算法可以分成五个部分：构造样本、设计模型、确定目标函数、选择优化方法、评估。
4.5 系统
根据不同的需求，推荐系统的设计方案多种多样。这里举例一个样例。
参考文献：
- 聊一聊个性化
- 一文读懂推荐系统知识体系 （李中杰）