個性化推薦演算法，嗯這個目前是比較火熱的一個話題，在生活中現在推薦的方方面面太多了，什麼QQ等社交軟體內每天都有各種產品的廣告的推送，更是在朋友圈還有賓士這樣的大企品牌的廣告推送呢，總的來說這個個性化推薦演算法吧，可以說就是很有針對性的進行推送吧。我瞭解的有兩種個性化推薦方法吧：

1、基於關聯規則的推薦。這種推薦的話是根據使用者的已經選擇的專案及沒有選擇的之間的關聯性來作的推薦，比如比較常見的就是購物籃分析了，主要就是透過大資料來分析顧客平時的購買習慣對於商品之間選擇的聯絡來看的，最著名的就是啤酒和尿不溼的例子了。

2、基於知識推理的推薦。這種方法算是資料探勘技術在個性化推薦系統領域最經典的應用了。它主要就是根據的某些知識的推理分析以此來作的分析而不是參照使用者的喜好了，可以說和前面說的“基於關聯規則的推薦”還是有較大區別的吧。這可以說算是比較高質量的個性化推薦演算法了吧。

推薦演算法開始是用來給使用者進行商品推薦的，根據使用者畫像給使用者進行產品推薦、電影推薦；現在用得較多的是用於資訊、影片、小影片的推薦。比如你在刷抖音的時候你會發現，即使你沒關注過這個作者但是你看過他的小影片，當他有新影片的時候你還是能刷到他的新影片；比如qq瀏覽器，當你點開影片觀看，下面本來排好的序的影片也會在你檢視當前影片到一定時間的時候，下方影片最新一條會變化，會插入了一條跟你當前觀看影片相關的，那是因為從剛開始的離線推薦現在已經發展到實時推薦。

單說推薦演算法，常見的是基於cb內容推薦和cf基於使用者畫像進行協同推薦。內容推薦即推薦內容相似度高的，協同推薦是可以根據elk收集日誌然後去進行資料分析給使用者進行評分，篩選出和你相似的使用者將他喜歡的推薦給你這個樣子。