推荐系统算法有哪些-推荐系统算法有哪些类型

摘要： 用户浏览什么就越推荐什么，头条这种纯机器算法推荐有什么利弊？对用户有什么影响？今日头条的机器算法推荐，是根据什么计算的？用户浏览什么就越推荐什么，头条这种纯机器算法推荐有什么利弊？...

1. 用户浏览什么就越推荐什么，头条这种纯机器算法推荐有什么利弊？对用户有什么影响？
2. 今日头条的机器算法推荐，是根据什么计算的？

用户浏览什么就越推荐什么，头条这种纯机器算法推荐有什么利弊？对用户有什么影响？

感谢邀请

这是为了给用户提供更为精准有效的信息，减少用户寻找的时间。

但这样的算法推荐，实际上会给用户造成干扰。用户今天感兴趣的东西明天不一定会继续感兴趣，但机器会记住用户的喜好，明天依旧会推荐，这就会给用户造成不好的使用感受。

这里有一个微小的差别：并不是用户浏览什么就越推荐什么，而是根据用户浏览的内容，推荐其他用户可能会感兴趣的内容。

这个差别虽然不大，但是是在设计思路上完全不同。头条会通过用户的浏览记录，来判断用户更有可能对哪些内容感兴趣，然后将用户逐渐赶到某个小圈子里，让用户看到的内容都是他感兴趣的。

这样做当然有利有弊。

有利之处当然是增加了用户的在线时长，这也是大多数app努力想要达到的目标。毕竟在线时长更长就意味着有更多的机会展示广告，也就有更多收入。这种方法用得好的话，能够极大地增加用户的黏性，让用户越来越多地使用这种***。

而弊端也很明显：即会限制用户的选择。和传统上用户主动寻找信息不同，头条的这种方式会让用户没有机会也没有动力去寻找内容，而只是被动地接收内容。

对于用户来说，产生的影响可能会有两种。第一种，是沉迷，即花费本来不应花费的大量时间在这个***上。这还不算什么大问题。

第二个问题可能会严重一些，它可能会让用户对世界的认识出现偏差。这种现象有一个专有名词叫做“信息茧”，是指用户会因为被特定的信息环绕，而认为真实的世界就是这些信息所描述的样子。这可能会导致对真实世界的水土不服，观点偏激等等。

我感觉并不好，一味的推举顾客想要的只是短期利益，固化了本软件的功能，让顾客不能深入的体会该软件的广度，没有发挥该款软件的特长。本软件程序员做的不是很贴切，我觉得可以规类，划分区域，让顾客像图书馆一样查找。

谢邀！

经常会有这样的感觉，玩头条玩得多了，总感觉头条在监视我们，我们看什么他就推荐什么内容，这种纯机器算法的推荐说好也不好。

纯机器算法推荐让我们看到的信息面越来越窄了！

现在什么都讲究精准营销，其实头条的算法推荐也算是一种精准营销，本质上是一种类协同过滤算法，你看什么就默认你对这类信息感兴趣，他就会自动推荐给你类似的信息，这就是传说中的千人千面吧，让每一个人看到不一样的信息。但是这样很容易审美疲劳，再说我今天浏览的内容不代表我明天还有兴趣，你这两天看房地产的信息，这几天都会一直推荐这类信息，这样导致我们看到的信息面越来越窄了，我觉得不是什么好事，很容易让人厌倦。

虽然机器算法有一定的弊端，但是目前来看，机器推荐是一种高效的推荐方式

现在社会是信息社会，各种信息大爆炸铺面而来，我们从中找到自己感兴趣的信息并不容易，如果没有机器推荐，我们看到的将是杂乱无章的信息，从中找到对我们有用的信息简直太难了，耗时耗力还不一定得到我们想要的信息，所有说，在信息搜寻方面，推荐算法是一种高效的信息检索方式，不过不同于搜索引擎的主动搜索，推荐算***根据你的浏览动作来推荐。

我个人觉得这个推荐算法真的是弊大于利，我觉得应该让用户在应用内使用搜索主动查找感兴趣的信息，至于推荐，我觉得推荐时事新闻热点就好了。

今日头条的机器算法推荐，是根据什么计算的？

头条的推荐算法不完全依赖粉丝数，所以即使你没有粉丝，也有可能在头条平台上创作出10万甚至上百万阅读量的爆款内容，那既然不依赖粉丝数，头条是如何推荐的呢？

一篇文章发布后会经过一轮推荐周期：初审、冷启动、正常推荐、复审

初审，一般是机器进行审查，我们在创作完成后也可以使用头条的灵犬进行测试，看看文章是否符合要求，每个平台的要求都不一样，你在头条上过审了，但是百家号不一定过审。那机器审查些什么东西呢，主要是检查文章有没有“触雷”，其次是查重和原创保护检查。

冷启动，过初审后系统把你的内容推送给一小批可能对你内容感兴趣的人群，然后根据这个人群的反应，比如说读完率、点赞互动评论的整体情况，对你进行下一轮的正常推荐，这一阶段非常重要。

正常推荐，如果冷启动阶段，文章互动率比较高，点赞，评论都很好，收藏量也很多，那么系统就会给你加大推荐，推荐给更多的用户。

复审，当推荐到一定程度后，系统会给用户的反馈情况进行复审，比如说有人举报，或者负面评论过多，如果在复审种，发现你属于标题党或者内容过于负向，将系统将会不再推荐，这一阶段会有人工参与，这是你是否成为爆款的最后一步，很多一开始几万阅读，然后就不推荐了，就是在这一步被终止了。

以下四类模型会对推荐起重要作用

第一类是相关性特征，就是评估内容的属性和与用户是否匹配。

显性的匹配包括关键词匹配、分类匹配、来源匹配、主题匹配等。像算法模型中也有一些隐性匹配，从用户向量与内容向量的距离可以得出。

第二类是环境特征，包括地理位置、时间。

这些既是偏置特征，也能以此构建一些匹配特征。

第三类是热度特征。

包括全局热度、分类热度，主题热度，以及关键词热度等。内容热度信息在大的推荐系统特别在用户冷启动的时候非常有效。

第四类是协同特征，它可以在部分程度上帮助解决所谓算法越推越窄的问题。

协同特征并非考虑用户已有历史。而是通过用户行为分析不同用户间相似性，比如点击相似、兴趣分类相似、主题相似、兴趣词相似，甚至向量相似，从而扩展模型的探索能力。

总结

头条推荐算法并没有对外公布具体参数权重，所以想要获取更多的推荐量，还是得创作出高质量的内容，这一点对于所有平台都是最重要的。

我是非著名攻城狮，希望我的回答对您有用，感谢您的关注与支持！