推荐策略即是如此，通过发掘用户的行为，找到用户的个性化需求，从而将长尾商品准确地推荐给需要它的用户，帮助用户发现那些他们感兴趣但很难发现的商品，让很多口味偏小众的用户找到自己感兴趣的内容，而不是千篇一律的浏览大热门。

　　3、帮用户找答案

　　一部分用户需要借助一些智能推荐算法帮自己更快、更准确的获取信息，一部分用户根本不知道自己要什么，需要你来告诉他。举个例子：

　　你饿了想买点吃的，出门走到一个超市，超市很大，有三层，你懵了。你要考虑两个问题：①吃的在哪 ，②你吃什么，这两个问题都很关键。

　　这个时候导购A走过来告诉你，上二楼零食区和熟食区。到二楼你依旧不知道要吃什么，这个时候导购B走过来告诉你，今天的麻辣牛肉做促销，免费品尝。

　　你尝了一下，还不错。导购C手上拿了两瓶牛奶向你推荐。于是，在你完全不知道买什么，且没有特殊要求的情况下，你买了牛肉和牛奶。

　　在这个例子里，A是商场的推荐系统，B和C是商品的推荐系统。

　　4、提高用户转化率

　　当你的产品可以很好的满足用户的需求，提供更好的选择、帮助用户进行决定、减少用户的决策时间，用户不仅会多次访问站点，转化率也会得到很好的提升。

　　最直接的例子就是淘宝，为什么总有人剁手剁手又剁手，却还是忍不住要淘宝。

　　你买完了A，淘宝为你推荐了B，你一想：是啊，我缺，我缺，我都缺。我买，我买，我都买。

　　5、深度了解用户

　　每当系统推荐的物品成功引起用户的注意甚至是喜爱和购买，不仅是用户越来越喜欢你，用户在你眼里的画像也越来越清楚。

　　举个很俗的例子，一个多人互动小游戏《你画我猜》，A不断的从B身上获取正确的信息，从而在自己的脑海中一步步形成答案的画像。

　　推荐系统就是将用户在清晰化的过程。可能，你会发现，到最后，最了解用户的不是她的男朋友，是你。最典型的就是今日头条了，通过用户的行为、兴趣标签、信息的时效性和热门程度为不同的用户展现不同的信息，这种服务可以让拥有各种各样需求的用户都能在自家平台上得到满足。

　　四、推荐系统的推荐算法

　　实际上，推荐算法早在1992年就有了，实际上火起来是最近几年。那个年代信息传递也偏传统，信息量就有了，实际上火起来是最近几年。那个年代信息传递也偏传统，信息量也少，这个时候火起来一是基于互联网，二是基于大数据。在整个推荐算法的发展过程中，有过各种各样的算法，到现在依然有很多。但是不论怎么发展和演变，如何复杂，推荐的基本条件是不变的：

　　根据你的关键词推荐

　　根据你的历史行为推荐

　　根据你喜欢的物品A向你推荐和它类似的B

　　根据和你有共同喜好的人来推荐

　　根据以上几种条件的组合进行推荐

　　基于以上条件，推荐的算法大致可以分为以下几类：

　　基于流行度的算法

　　协同过滤算法

　　基于内容的算法

　　基于模型的算法

　　混合算法

　　这里必须要说一点，最影响用户体验的不是算法多牛逼，而是你采用了什么样的推荐算法，很多人容易掉进一个坑里：是用协同过滤算法还是基于内容去推荐?

　　推荐系统的本质在于加强联结，发挥信息的最大价值，给用户源源不断发现新信息的机会。选择哪种推荐算法取决于产品本身的定位和特征，比如头条就是基于物品的协同过滤算法，淘宝是基于用户的协同过滤算法，虽然都是系统过滤，结果却大不一样。

　　再比如，如果你采用的是基于用户的协同过滤算法，如果用户的数据特征不清晰，而且用户行为又集中而稀疏，那就意味着你只能依赖更多的内容了，或者是参照豆瓣，让用户来打标签。