首先我們要明白，系統推薦不僅僅依靠演算法，還要依靠大資料，其實資料比演算法的作用還要大。

想弄明白這個問題，首先我們要了解一下推薦原理：

當我們第一次使用系統，系統是不知道我們究竟喜歡哪種型別作品的。這個時候系統就會隨機推送幾個熱門的作品，每個作品都是不同領域，這個過程也叫做“盲推”。之後系統再根據你對每個領域作品的反饋情況來給你的賬號打上“標籤”，具體通過你對每個領域的點選率、點贊率、評論率、閱讀時常、以及轉發率等等多個緯度共同打分，然後系統再取一個平均分作為你對這個領域的喜愛程度。之後每次都會優先推薦你喜愛的領域，喜愛的作品型別。然後每次推薦之後，再對你的反饋情況給每個領域、每種型別的作品打分，這個過程是一直優化的，最後逐漸趨於平穩。

弄懂了系統的推薦演算法之後，我們來聊聊為什麼有時候推薦並不能令人滿意？

1.作品在推薦給使用者之前，會先推薦一小部分人來測試，然後通過這一小部分的人的反饋情況，再給這個作品貼上一定的標籤，這個過程可能就存在一定的誤差。一旦作品被貼錯標籤，那麼之後作品再推薦給其他使用者就會不精準，進而不被喜歡。

2.系統一旦發現你喜歡某個領域，就會頻繁的給你推送相關的內容，即使已經厭煩，點了無數次“不喜歡”，也可能繼續推送相關內容。

3.系統每次推送之後，對使用者也會打“標籤”，這個時候也可能存在誤差。如果錯打標籤，那之後就會推薦給你不喜歡的領域。

總之，現在的推薦演算法還不夠成熟，雖然加入了AI學習，但依然無法做到真正的“人工智慧”。而且在大資料統計的時候，有時候會存在偏差，這也是導致無法精確投放內容的一個原因。