推薦演算法是計算機專業中的一種演算法，經過一些數學演算法，推測出使用者可能喜愛的東西。

　　依據使用者的協同過濾演算法: 依據一個這樣的假定“跟你喜愛類似的人喜愛的東西你也很有可能喜愛。”所以依據使用者的協同過濾首要的使命就是找出使用者的最近街坊，從而依據最近鄰 居的喜愛做出不知道項的評分猜測。這種演算法首要分為3個步驟：

　　1、使用者評分。能夠分為顯性評分和隱形評分兩種。顯性評分就是直接給專案評分（例如給百度裡的使用者評分），隱形評分就是經過評價或是購買的行為給專案評分 （例如在有啊購買了什麼東西）。

　　2、尋覓最近街坊。這一步就是尋覓與你間隔最近的使用者，測算間隔一般選用以下三種演算法：　1.皮爾森相關係數。　2.餘弦類似性。　3調整餘弦類似性。　調整餘弦 類似性好像效果會好一些。

　　3、引薦。產生了最近街坊調集後，就依據這個調集對不知道項進行評分猜測。把評分最高的N個項引薦給使用者。 這種演算法存在效能上的瓶頸，當用戶數越來越多的時候，尋覓最近街坊的複雜度也會大幅度的增加。

個人認為這兩個並不牴觸。但如果從資本市場喜愛性來看，智慧對話演算法會更受資本市場關注。由於智慧對話演算法是未來各智慧裝置的核心，而2017年也被稱為人工智慧開展元年，早點進去佔個坑也能夠，要是等到大爆發再進去，可能也跟咱們沒啥關係了

微觀上，職業遠景決議於未開發的市場規模。

本質上剖析，作為統計剖析工具，鴻溝的終究決議權取決於有用資料量與總計算力。

以現在的數學理論開展現狀，演算法並非決議市場規模的重要條件，影響不大，理論數學在現在階段並沒有跨年代的成果呈現，對計算力的提高更多的取決於摩爾定律。

所以演算法推導遠景基本是偽出題。

這是微觀上的

關於個人而言，職業遠景怎麼並不能有用決定個人，決定自己遠景的是自己的愛好，態度，認知，專業程度。

個人認為智慧語音對話更有前景，但是因為智慧語音對話，涉及內容太多，上下文環境，語義，指代，語言表達形式的多樣性，說話者情緒，方言等，目前做完美比較難，推薦系統更容易見到效果點，很看好智慧語音的前景