推薦系統，對於每天都在使用互聯網的我們來說並不陌生，但是很多人也許並不清楚它的原理。但是沒關係，我們只要明白，不管是購物網上交友還是聽歌看電影，推薦系統早已經滲透到互聯網的很多地方。
下面我們來舉一些例子說一說推薦系統到底在我們的生活中扮演着什麼樣的角色。
一、購物網站。還記得你在亞馬遜上買書的時候下面出現的那些推薦嗎，網站會記錄下來我們瀏覽過、購買過的書籍等商品，當你再次登錄進亞馬遜，就會在下面看到如下圖所示的推薦。（之前曾在亞馬遜上查看過吉他、數據結構相關的商品，這次打開就出現了這樣的推薦）這是根據用戶過去的瀏覽數據做出的推薦，也就是基於內容的推薦。
二、音樂的個性化推薦。這方面的典型代表應該是國內的豆瓣FM和網易雲音樂。由於我是網易雲音樂的忠實粉絲，因此我就根據自己使用網易雲的體驗來說一說。
1、網易雲的私人FM是這樣的：
比如我最近喜歡聽古風歌手慕寒的歌，私人FM裏面出現古風歌曲以及慕寒的其他歌曲的概率就比較大。之前在知乎上有個用戶曾經寫過他對於網易雲音樂算法的見解（https://www.zhihu.com/question/26743347），我覺得還是有參考價值的，具體使用了什麼算法就不得而知了。
2、歌單推薦是這樣的：
以上的推薦，我覺得是結合了“基於內容的推薦”和“基於協同過濾的推薦”兩種方式，前者，也就是根據用戶自己聽過的歌曲推薦相似歌曲，這個“相似”應該是綜合了歌曲旋律、歌手信息、語言等等綜合評測出來的；後者，基於協同過濾的推薦，也就是說尋找和此用戶聽歌品位偏好相似的用戶的聽歌記錄，將他人喜歡的歌曲推薦給用戶。這個相似度也有一定的算法來評定。同時，私人FM還會根據用戶對於系統推薦的歌曲的喜好程度來進一步改進推薦效果，是否收藏爲喜歡的歌曲，是否下載，還是跳到了下一首，相應的都會有記錄。詳細可以看知乎上的回答，不敢說全部正確，我也是行外人，但是感覺有一定的啓發意義。
總之，推薦系統的本質還是利用推薦系統這個媒介來講用戶與內容聯繫起來。
三、社交網絡
1、好友推薦。以Facebook爲例，加上好友之後，系統會爲你推薦“你可能認識的人”，並會說明你們是因爲有X位共同好友而被聯繫在一起的。這也就像上面的買書、聽歌一樣，你們有共同的愛好，瀏覽了同樣的書，或者聽了同樣的歌，所以我把這些推薦給你。好友也是這樣互相推薦的。回想一下，新浪微博、QQ上也有相似的，在微博上關注某個人之後，微博會提示你“你可能還想關注XXX”.
2、產品推薦。比如說QQ空間裏面的應用推薦，會提示你哪些好友也在用這個應用然後提高下載量。或者插入相關廣告，你的哪些好友也購買了什麼什麼的。
3、信息流的推薦。最典型的例子應該是微博上的熱門話題熱門微博等等。
四、個性化廣告。
這一點生活中最直接的體會大概就是，在瀏覽網頁時兩邊會出現一些跟我之前的搜索關鍵詞相關的廣告。比如說我最近經常搜索Java相關的東西，那麼我瀏覽網頁時，兩邊側欄就很有可能出現“Java工程師培訓，一萬月薪不再是夢想”不啦不啦之類的廣告。雖然挺煩但是這就是個性化推薦啊。。。
五、愛好推薦。
這個以豆瓣爲典型代表了。下面是我的豆瓣讀書和電影裏面的推薦列表和暢銷榜單。排行榜暢銷榜算是最簡單粗暴的推薦了；而“猜你可能感興趣”則是參考用戶行爲的結果，出現《推薦系統》是因爲之前我給另外一本《推薦系統實戰》打過分，出現美國人的性格大概跟我之前看的一本李敖的《審判美國》有關，《生育制度》的出現我猜是上學期看的《江村經濟》跟這個一個出版社，封皮很像。
另外，在評價某一本書或者電影時，豆瓣也會讓用戶爲其添加標籤，即“tag”。研究豆瓣標籤的人很多，很信息組織聯繫較爲緊密，也有很多人會根據標籤來做其他方面的科研項目。
豆瓣會給出用戶自己常用的標籤和關於這本書其他用戶常給的標籤，當然用戶也可以自己添加標籤。好像和推薦系統有點遠了，不過這也是一種推薦。
以上總結，主要參考項亮的《推薦系統實踐》，後面讀到詳細的訓練集測試集這一塊我再來寫。很多內容是自己根據理解在發揮，有錯誤的話也請指出啦。