根据用户行为和反馈，用户的属性等 长期兴趣，短期行为 得到相应特征 离线特征在线特征
然后计算和特征相关的物品，作为初步的推荐结果，这里可以有多个推荐策略推荐出来的结果合并
然后
过滤：
解释：告诉用户是根据用户的什么行为，或者用户关注的人喜欢的，等理由，重要性是让用户知道为什么给他推这个，如果他觉得推荐得好，就会根据这种解释做更多的正反馈，如果觉得不好，就会相应的负反馈，这样能够促进这个推荐往更准确的方向收敛
一个好的推荐系统，不在于其算法的复杂性，也不在于其精度或者其他指标。而是在于他能成为一个循环的良性系统。一个系统要进入良性循环，反馈是最重要的。
一个用户对一个系统满意，不仅仅在于推荐本身是否满足他的需要，而且在于系统告诉他，他应该怎么做才能获得自己想要的结果。
参考：http://blog.sciencenet.cn/blog-1132-711709.html
排序
推荐的分类：
实时或热门推荐
人工推荐：运营
相关推荐：
个性化推荐
做好了上面三个推荐，就解决80%的问题了，剩下20%交给个性化推荐解决，属于长尾问题
不管是电商，或者是新闻，都有【个性化推荐】和【热门推荐】的取舍。一个商品热门或者点击量高是有其原因的。所以将热门的东西推荐给用户是非常合情合理的，因为既然热门，也侧面说明了很大概率上该用户也会喜欢该商品。而【个性化推荐】本质上是为了解决【长尾】问题，把那些不热门的东西，但是很可能符合某特定用户品味的商品【挖掘】出来，推荐给特定的用户群。
http://itindex.net/detail/50820-%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F
对于冷启动问题，最好 上相关推荐，其实热门推荐和人工推荐也可用于冷启动
个性化推荐包括：由于基于用户的协同过滤对用户规模有较高要求，因此更多使用基于内容的相关推荐来切入。
基于内容的推荐：
纯 内容之间的相似性，和用户行为没关系
可以解决冷启动问题，但是需要能对物品有效的建模
在做基于内容推荐的时候，用户画像(标签系统)才能发挥作用，计算出和用户特征相近的物品，距离
但是在一个推荐系统中，有很多推荐策略不是预计用户画像的，比如下面的这些
而最主要的缺点就是确定性太强了，所有推荐的内容都是由用户的阅读历史决定，所以没办法挖掘用户的潜在兴趣；也就是由于这一点，基于内容的推荐一般与其他推荐算法同时存在。
协同过滤推荐cf：
user-based cf：两个用户喜欢的物品比较相似，那么这两个用户比较相似，可以推荐相似用户的东西给另一个用户
其实相似用户有一个更专业的词，人群，相同人群的人，大家的喜好比较相似
不一定非要基于用户喜欢的物品相似度来得到相似用户，可以从外部数据也可以拿到，也可以在用户初次使用时，让用户填一些兴趣等，这样就很容易找到相似人群；
item-based cf： 这个不需要对物品特征建模，只需要知道两个物品是不是被 越多的人同时喜欢，那么这两个物品越相关，那么一个用户喜欢其中一个，就可以给他推荐另一个
可以推荐用户自己不知道的新物品，但是存在数据稀缺问题，而缺点则是启动的门槛高，用户量不够时几乎无法开展；并且学习量不够时推荐结果较差。
基于关联规则的推荐：
基于所有历史交易数据中，被同时购买的物品，或者时间先后的购买规则
来对物品进行推荐
典型的 啤酒和尿不湿
apriori算法
缺点是训练较耗时
EE问题：
这也是在推荐和广告界被大量研究的EE问题（Exploit & Explore），Exploit就是眼前的苟且，Explore就是诗和远方的田野。
做Explore的方法有很多，bandit算法是其中的一种流派。前面也介绍过几种bandit算法，基本上就是估计置信区间的做法，然后按照置信区间的上界来进行推荐，以UCB、LinUCB为代表。
https://mp.weixin.qq.com/s?__biz=MzA4OTk5OTQzMg==&mid=2449231300&idx=1&sn=fe975d6af79596b5eaf576e5f65e8e06