最近一直在关注跟推荐系统相关的内容，跟做这块的技术、产品、运营也都做了一些非正式的交流。就我个人目前的浅显理解做一个简短的总结和记录。
什么样的推荐系统是一个优秀的推荐系统？对于这个问题，在我个人来看，有温度，智能。这两点是我对一个推荐系统是否优秀的关注点。同时，我认为推荐这个事情，更多的应该是基于对历史积累的数据和行为的认知升级从而更好的预测未来。当然被预测的对象大可以是一个组织，也可以是一个个人，比如经常在电商类网站看到的猜你喜欢这个板块，在我看来就是一种推荐在预测上的尝试。
智能推荐，行业内目前就我体验过的来说，某团做的相对体验上给我的感觉更为智能。某团在推荐系统里面除了运用到各大平台都用到的深度学习、机器学习这些技能点以外，在推荐的纬度、特征选择上也更为用心。比如：对于美食、酒店、外卖这类业务加入地理位置的纬度、对于采集的用户行为进行权重降级考虑，减少久远行为的权重，再者，在存储数据的选择上，也会结合用户的活跃度和行为类别来做策略性截取和存储，这让我感觉到它匠心和智能的同时也感觉到了它背后技术实现团队的专业。要知道，对于智能来说，最根本的是可以让你感觉到它会根据你的变化而迅速作出有效的交互和反馈，推荐的交互和反馈来自于哪里呢？召回集的变化、排序的变化。最重要的，是这些变化都是有效的。否则，就不是智能，估计要被定义为智障了。某团这一块的效果是怎样的呢？“实时将从线上日志中解析得到用户行为用于线上，线上行为反馈的延时在秒级别。也就是说，用户在某团上行为操作，1 秒以内推荐系统就可以捕捉到，并且及时做出相应的推荐调整。”是的，正常情况下，它只需要1秒，就跟你在对一个实际的销售做交易一样。
但，我个人觉得某团的推荐虽然在智能上做的可圈可点，还不是一个优秀的推荐系统。因为它没有让我感觉到温度。比如：对于技术应用上（基于用户行为）遇到的数据稀疏性问题或一些冷启动的问题，某团的推荐是怎么做的呢？据资料显示，某团在此时的策略为：“虽然我们有一系列基于用户历史行为的候选集触发算法，但对于部分新用户或者历史行为不太丰富的用户，上述算法触发的候选集太小，因此需要使用一些替补策略进行填充。
热销单。即在一定时间内销量最多的 Item，可以考虑时间衰减的影响等。
好评单。即用户产生的评价中，评分较高的 Item。
城市单。即满足基本的限定条件，在用户的请求城市内的单
”
诚然，这样做没有什么大的问题，而且很多平台的推荐系统，似乎在这样的情况下都会采用这样的候选策略。但如果仅仅只是这样，那么就缺失了作为一款产品的另一个重要属性：温度。很多时候，用户会为自己的需求买单，但，也有很多时候，用户会为自己的感动而买单。我们是否可以考虑，在收集到用户的行为数据之上建立一套情感运营策略和反馈机制，从而更好的完善用户在我们画像系统的形象、从而使得我们对用户的认知也可以相对更精准的升级？
举例：如果我是一个用户，我在某团上一直点餐是选择的辣椒炒肉+白米饭，一点就是几个月，如果只是给我推荐热销单或好评单或辣椒炒肉这类的商品，作为个性化推荐也好，还是猜你喜欢也好，首先我们要明白这本身就是一次用户意图并不是太明确的尝试销售。所以你不能保证我此时想点的菜品或者说我能买得起的菜品一定会在好评单或热销榜里面，也不能说我就还是想吃辣椒炒肉。作为一个智能且有温度的推荐系统，是否可以从我连点几个月的辣椒炒肉+白米饭的行为上，再结合其它的，比如送货地点，时间等信息纬度大概推测出我从事的职业，目前是否有选择困难症？所以，每次尽管有热销单，好评单之类的都没有出现菜品的更换。从而在下次给我的备选集中加一些能让我感受到温度的产品推荐。“吃了那么久的辣椒炒肉，小心肝！试一下这款吧（YY，不确定辣椒，肉，肝，长时间，影响关联关系正确性）”那么，我可能会去产生点击，此时，可以给到用户一个反馈，“不感兴趣或其它或关闭推荐”。又比如，我过往的行为只有在短袖上衣的品类上有积累，现在是冬天，那么推荐系统更多的会结合地域给到我推荐一些卖的好的或者跟我喜欢的款式接近的冬装，给到我从而尝试形成一笔转化，但，如果在此基础上，能够对我过往的订单做更多的挖掘和分析，得出我喜爱款式的同时，也能够得出我大概的消费价格区间，再结合地域等信息，从而一定程度可能触发“持家有道（YY的名词）”的推荐策略，给到我推荐一些换季的适合我的价格优势的商品，不知道是不是也能够做一定的转化提升？如果这样做，至少我会感觉到这是一个智能（因为懂我）而且有温度的平台和推荐系统（不仅懂我还能陪我），那我只要这里的商品质量不是特别差，物流不是随意7天以上，我会经常光顾，自然也就有更多在这里消费的几率。这些都是为了更好的修正我们对于一个用户的认知。
我可能一时半会在这块想不到更合适的例子，但大概的意思我想我已经表达清楚了。
从自己这段时间跟大家的交流以及对一些网上材料的学习，感悟。塑造一个优秀的推荐系统，是一件非常神秘而有趣的事情，中间涉及到的不仅仅有应用层技术，算法，还有数据分析和挖掘、大数据处理以及产品和运营。而这些之间的关系在我的理解来说，应该是数据分析和挖掘驱动运营，运营带动产品，产品和技术赋能数据分析和挖掘。
在随处都谈大数据的今天，应该更多的去思考如何使得数据从经营成本变为资产？而推荐系统在这个过程中，显然扮演了非常重要的角色，而一个智能，有温度的推荐系统则是在这个转变过程中，更为难遇和难求的。
诚然，作为一个对推荐接触一个多月的我来说，以上的理解难免会显得不全面，浅显。所以，如果有在这一块已经实际过，有数据分享和交流的专业人士，诚恳期待更进一步的交流和探讨，学习。
