今天不谈推荐系统架构，也不谈具体的推荐算法，仅从一个本人亲历过的推荐产品来讨论个性化推荐怎么做的更友好一点的问题。
在线教育产品中主要存在着两大类的推荐需求，题目、视频等教育资源的推荐和 辅导老师的推荐，这两大类的推荐都是将平台上的资源与实际需求者进行匹配。下面主要讨论题目、视频等教育资源得推荐为例。
实际上，推荐系统是用户与平台资源池进行交互的纽带，其为用户较小信息负载，将最合理的资源推荐给用户，进而来达到为用户提分增效的目的。
在推荐算法的设计上，目前主要有基于用户历史行为的推荐和基于内容的推荐。
基于用户历史行为的推荐：用户在平台上的行为轨迹主要有三类
1、 搜索题目、视频
2、 观看视频，下载、完成题目
3、历次考试、家庭作业的题目做题记录，这一部分是最详细的行为记录源，具体会涉及到用户加入平台以来的历次考试、家庭作业所做的题目记录、题目正误情况、题目难度、知识点详情等相关信息。
其中，大部分的用户行为主要为第三类用户行为。
基于用户历史行为的推荐和基于内容的推荐的推荐原理在次就不做赘述了，这里主要谈一下推荐策略选取的逻辑：
根据具体的使用场景，基于用户历史行为的推荐和基于内容的推荐构成混合推荐的权重各有不同。
1、 如在用户搜索观看行为发生时，由于用户目的性强，对某一类的内容产生了即时、强烈的需求，在做推荐时，将主要根据用户搜索的点击、观看视频的内容、主题等进行基于内容的推荐。同时，基于推荐内容平滑和多样性的考虑，会掺入一些基于用户历史行为的推荐结果。
2、 基于用户历史行为的推荐主要为用户生成个性化辅导方案的场景下，此时推荐的出发点主要为用户在过去一段时间的学习进行查漏补缺、总结提升。因此，基于用户历史行为的推荐将更能贴合用户的需求。考虑到历史行为时效性的问题，推荐系统根据需要生成周辅导方案，月辅导方案、半学期辅导方案和学期辅导方案等。
值得注意的一点是，由于应试教育的客观性，历次考试的题目难度、题目内容的构成、整套试卷不同难度和题型的分布都具有一定的讲究，因此，推荐系统不仅需要更具用户的历史行为记录生成一定规模的推荐题目，还需要从历史的考试中识别出考试的出题策略和考试趋势，进而在基于用户历史行为的推荐上组合出更加符合实际需要的整套试题，供用户使用。这样最后的推荐不仅在难度、知识点上符合用户的需求，在试卷风格上也符合用户平时的做题风格，同时在题型、考试策略上也更符合应试教育的考试风格和考纲要求。
可以看到，推荐算法不仅要能精确的挖掘用户的需求，做到个性化推荐、千人千面，同时要结合具体的推荐场景、抓住用户的使用习惯。
与电商等推荐系统的差异：
与传统电商推荐系统不同的是，电商推荐系统关注的是提高用户购买的转化率、挖掘长尾商品来提高企业的营收。而教育推荐系统需要关注的如何促进用户(学生)成长、提高学习成绩，可以说这是一个很间接、不那么明确的优化目标。这样推荐一个教育推荐系统的性能从短期来看需要关注1、下载用户的比率(越高说明有这方便的需求人数越多)2、反馈上传比率(反馈上传的比率越高，说明推荐内容越合适)3、反馈评价标签：过难、过简单、重复内容、陌生内容等等吐槽选项 与用户互动，感知用户需求长期来看，都是以提高学生学习水平为最终目的。
从人的成长角度来看，学习也好、其他能力也好，都需要不断的迈出舒适区进入不适区，这是一个痛苦的过程。
推荐的难点也在于此，要提高用户的学习水平，必然会不断推出用户不熟悉、难解的题目、费解的视频，很容易被用户拒绝而导致用户流失。而如果推荐的题目视屏内容对用户来说很简单的话，尽管用户短期接受度高，但花钱了并没有买到学习水平的提高，导致用户流失也影响口碑。因此，推荐系统推出的资源一定要恰好能迈出用户的舒适区，同时，用户使用推荐资源的时候也不那么费力。
写这篇文章的目的，一方面是介绍下教育推荐系统，一方面也是释疑很多电商移动互联网从业者对教育推荐系统的一些误解，毕竟电商等的推荐系统进过多年的发展理论和技术已经比较完备和成熟了。但教育推荐系统与人的深层次需求紧密相关，信息时代的教育理论尚处于摸索时期，教育推荐系统除了借鉴传统推荐系统的一些思路，也需要去汲取教育行业的一些经验，而涉及教育行业人文、心理方面的知识很难数学建模的。so，且行且摸索吧。