推荐算法主要有三种
第一种是基于群体的推荐，比如说三岁的小孩往往需要喝奶粉，要尿布，那我们就统计三岁婴儿适用的奶粉里哪些最流行，推荐给娃儿是三岁的用户，这种根据大众行为的推荐，往往是给所有人或者一个群体做推荐，做起来比较简单，也不存在“冷启动”的问题，这种推荐算法用的最广，即便是线下的大超市，也会告诉你当月卖的最火的是啥，效果也还行；
第二种是基于内容的推荐，比如一个用户老是买最贵的新西兰奶粉，系统给奶粉标记几个元数据，比如进口，食品，高价，推荐系统就可以认为这人对国产食品不放心，而且支付能力尚可，那么就可以给它推荐，其它标记有“进口”或者"高价"的商品，这种推荐方式存在一个冷启动的问题，就是偶尔的几次购买，无法给出足够的可靠性来给人做推荐，另外还存在一个人工训练的问题，因为商品的维度，需要人工录入，录入的时候也可能录入错误，类似的比如豆瓣上的书，如果出版日期或者作者录入的时候就是错误的，那么对推荐就会有影响；
第三种方式就是协同推荐了，通俗的说法就是尿布和啤酒的故事，大意就是说找到item(可以是商品或者顾客)的关联性，再根据这些item的关联性做推荐，这种算法也有冷启动的问题，就是矩阵稀疏的时候，算出来的效果和随机的没啥两样，它比第二种方式好的地方是不用人工训练，在电商行业，这种算法应用的最广，效果也是最好。
这三种算法，其实分别是基于统计的，监督型的，非监督型的算法。
在推荐系统起步的阶段，往往会面临两个问题，第一是新用户往往是从来没登陆过的，也就是冷启动用户多，第二个问题是没有足够的人手做数据清洗，做模型训练，也就是说监督型的算法，没法儿弄。
针对这两个问题，我觉得比较好的做法有以下三点：
一是尽量获取尽可能多的用户数据，有了数据才好做推荐；
二是做混合型的算法，这样可以避免冷启动的问题；
三是模型建立时多参考营销专家的意见，把他们的经验算法化，针对性更强。
