你有没有在线查找过什么东西，在你知道它之前，你到处都会被这个主题的广告轰炸？例如，假设您正在寻找下一部“星球大战”电影的最新信息。观看预告片后，您开始看到“星球大战”T恤，“星球大战”玩具，“星球大战”DVD，“星球大战”表......以及众多其他“星球大战”产品的在线广告你从未想象过的！这完全归功于推荐系统。
什么是推荐系统？
推荐系统 - 也称为推荐引擎，推荐系统或简称RS - 已经重新定义了公司创建客户体验的方式。推荐系统帮助客户在进行在线购物时做出明智且更好的购买决策。如果您在任何时候进行任何在线购买，那么您几乎肯定会遇到与您购买的产品类似的产品的建议。因此，在您浏览产品时，推荐系统一直在观察您的浏览行为并搜索您可能尚未发现的产品。推荐系统在提升整体客户体验方面发挥着重要作用，尤其是在线购买领域。当然，它对商业也有好处。
推荐系统如何运作？
在我们了解推荐系统如何影响我们的生活之前，值得了解它们如何工作以及它们如何发展。
推荐系统是一种信息过滤技术，通常用于电子商务网站为访问过程的客户提供过滤后的产品选择。顾名思义，该技术用于为具有类似特征的产品提供建议。目标根据党的观点而不同。对于在电子商务网站上销售产品的企业而言，它通过向客户提供更多产品选择来改善其盈利前景。对于客户而言，它提供类似的产品推荐，并为客户提供购买比已经选择的产品更好的产品的机会，或者购买可以增强已经选择购买的产品的体验的产品。为了提供建议，引擎使用了许多方法，包括：
协作方法
该方法集中于收集关于顾客的浏览行为的信息，其包括但不限于在购物车中浏览，购买，放弃的产品和评级。根据这些信息，引擎会在数据库中搜索接近满足客户要求的产品。引擎还分析与当前用户类似的其他用户的兴趣，并且还可以推荐其他用户浏览或使用的产品。虽然这种方法在合理预测用户选择的程度上是好的，但是它受到着名的“冷启动”问题的困扰，这意味着在没有实质数据的情况下，这种方法不能工作。使用此模型的知名品牌列表包括Facebook，Twitter，LinkedIn，亚马逊，谷歌新闻，Spotify和Last.fm。
基于内容的过滤方法
此方法侧重于收集有关产品属性和特征的信息，然后尝试查找其属性和特征与原始产品类似的产品。虽然此方法不依赖于用户数据，但它往往过于依赖产品而不关注用户。使用该模型的知名品牌列表包括IMDB，烂番茄和潘多拉。
上述模型的相对缺点导致一些公司使用混合方法。Netflix是使用混合推荐引擎的最知名品牌之一，每年投资超过1.5亿美元。
推荐系统对我们生活的影响 - 案例研究
如前所述，推荐系统极大地影响了品牌及其消费者。要了解其影响，请考虑以下真实案例的HealthTap，一家专注于医疗保健的创业公司，以及Airbnb，一个专注于度假租赁的网站。
案例研究：HealthTap
HealthTap希望解决的问题
患者非常依赖“医生建议”的药物治疗。然而，这些建议背后的医生可能是因为提供特定药物推荐而获得报酬的医生。换句话说，无论是否愿意，都会推广特定药物。为患者提供最佳治疗。
HealthTap做了什么？
HealthTap推出了RateRx，旨在为患者提供医学上合格且独立的药物评级。该应用程序可在智能手机上使用，其网络中拥有超过67,000名医生。这些医生审查并提供与痤疮，焦虑，糖尿病，头痛，关节炎和高血压相关的药物的评级。当患者查看药物的详细信息和评级时，RateRx还可以提供具有医生评级的类似药物的推荐。根据HealthTap创始人Ron Gutman的说法，“很明显，医生可以更好地分享他们对药物疗效和质量的教育和经验丰富的观点和建议，这些观点和建议基于多年的药物治疗经验和大量药物的疗效。耐心。”
案例研究：Airbnb
Airbnb想要解决的问题
Airbnb是一个网站，人们可以在那里找到出租的住宿，并列出他们的住宿用于出租。据维基百科称，Airbnb在34,000个城市和190个国家拥有超过1,500,000个上市。旅行者一直在寻找全球廉价，舒适和安全的住宿。Airbnb希望找到为客户提供更好，定制的住宿选择的方法。它想了解更多关于旅行者的独特要求。
Airbnb做了什么？
主要想法是找出旅行者的个人旅行需求并提供适当的选择或建议。因此，Airbnb决定深入挖掘以旅行评论，住宿反馈和客户记录的其他数据形式记录的客户数据。Airbnb成立了一个团队来做到这一点。根据工程副总裁Mike Curtis的说法，“很长一段时间以来，如果你知道自己要去哪里，Airbnb就是一个很棒的去处，你知道什么时候去，但我们意识到我们都有这些数据是其他人没有的。我们有旅行模式。我们有评论。我们有清单的描述。我们可以从那里的文本中了解很多关于社区的信息。“因此，Airbnb破解了数据和建议系统，提供了个性化的建议。
推荐系统的演变
尽管有关推荐引擎的炒作，但在真正捕捉用户的想象力之前，他们需要走很长的路。现在，引擎遵循通用算法，并没有提供量身定制的选择。未来在于为客户提供定制的产品选择。为此，算法需要考虑复杂性，例如睡眠周期，用户心情，一天中的时间和能量输出。似乎零售和媒体行业将最多地使用这些引擎，而其他行业也会效仿。例如，银行和金融行业正在寻求越来越多地预测其客户的下一步行动，以便提供定制产品。为此，关于诸如客户反馈，社交媒体等事情的大量数据 消费者的模式，呼叫中心数据，网站，电子邮件甚至教育水平都将被考虑在内。
结论
观看推荐引擎的未来如何形成将会很有趣。现在使用的算法已经使用了很长时间，但企业需要更多的概念。品牌正在寻求通过不断尝试使其更全面来调整和改进他们的算法。然而，潜在的最大挑战在于传统上使用它们的行业实施发动机，例如，可以提供保险产品推荐的保险部门。
推荐系统有可能以多种方式帮助人们的日常生活，并帮助广告商向更广泛的受众介绍产品和服务，只有时间才能准确地说明这项技术将如何继续发展。