&p&谢谢答案区大家的解答！&/p&&p&想实现&strong&每次上网5分钟就可以完成购买（因为推荐都特别准！），每天早上不刷几下“猜你喜欢”就不想起床&/strong&的生活是我吐槽的原动力!&/p&&br&&p&另外还有一些不明白的地方，放在更新里了！&/p&&p&下面是原来的问题：&/p&&p&---------------------------------------------------------------&/p&&p&从消费者的角度出发，我觉得国内的网站的推荐，只有豆瓣的“猜你喜欢”和亚马逊的&推荐&，才有点用，可以得到很多信息。（答案里有人推荐网易云音乐，据说做的也很棒）&/p&&br&&p&&b&&i&那么实现对消费者准确的推荐很难吗?为什么大多数网站都做不到呢？&/i&&/b&&/p&&p&&b&&i&即使像阿里巴巴这样的首富！&/i&&/b&&br&&br&&/p&&p&&u&&b&举个栗子，&/b&&/u&&/p&&br&&p&我在亚马逊上买了一瓶雅诗兰黛3折的眼霜（熟龄肌肤适用，且不油腻）。&/p&&p&他会推荐给我倩碧5折无油黄油（适合油性肌肤）、伊丽莎白雅顿精华（适合熟龄肌肤）、居家脸部按摩神器1折39元（款式清新小资）。&/p&&br&&p&&b&&u&再举个栗子，&/u&&/b&&/p&&br&&p&我在某宝上买了一只美的迷你吸尘器99元。&/p&&br&&p&某宝立刻推荐给我飞利浦迷你吸尘器99元。美的XX型号迷你吸尘器139元。粉色蝴蝶萝莉裙32元&/p&&br&&p&备注：我在这几个网站上都是资深用户。某宝上消费金额应该超过5万，而且多是小件，时间超过7年。有足够信息让他们计算（算计）我。&/p&&br&&p&&b&&u&答案区同学的补充&/u&&/b&&/p&&p&&比如我在上面买了个鼠标，接下来它就一直给我推荐鼠标，连键盘都不知道推荐。&&/p&&br&&p&困惑了好几年了！希望大神们能帮我解惑！ 谢谢&/p&&p&--------------------------------------------------------------------------------------------------------------------&/p&&p&补充说明：&/p&&br&&p&根据不同网站给我的推荐，我猜测他们的推荐逻辑是：&br&&b&亚马逊：&/b&对用户进行了标签细分。我被做了“喜欢折扣”，“外国品牌”，“女性用品购买者”，“年纪为中青年”，“油性肌肤”这样的标签。很切合我实际。推荐的我也很喜欢。&br&&b&豆瓣&/b&：根据我喜欢的物品，分析和我一样喜欢他们的人还喜欢了哪些。并进行推荐。其中可能还包括类别的划分。准确且常常有惊喜。&br&&b&淘宝&/b&：1、根据购买和浏览行为推荐最接近的。2、推荐淘宝上最热卖的。我觉得这是非常糟糕的两个策略。&/p&&p&-----------------------------------------------------------------------------------------------------------------&/p&&p&6月7日，更新疑惑&/p&&p&1、豆瓣的标签功能是否对他们的准确推荐起到非常大的帮助？&/p&&p&因为这相当于有很多人在不断的帮他们做分类整理。比如我经常在豆瓣上搜索一些奇怪的标签，用来找我特定口味的喜好。如果正常的运营人员我觉得肯定没这个经历或者奇葩的口味来做这样的标签的。&/p&&p&2、关于标签和分类。我会觉得这里面有些工作可能属于市场分析或者消费者心理分析的工作。而不完全是算法的问题。那么你们工作中，会有相关的人员协助你们工作嘛？比如对不同商品进行回购率的预估。（比如：食品，可以在买后一周内立即再次推荐。化妆品:3-9个月。家电类：1-3年等）或者你个用户买了一本黑格尔之后，究竟应该给他归类为NEEK，还是装逼，还是小资情调……以此决定推荐下次给他推荐什么）这部分工作量也不小啊。是不是需要进行大量的相关计算啊？&/p&&p&3、你们的工作中是：用户A买了ABC，因此推荐买了ABC的人还买了什么。还是用户A买的ABC商品隶属于什么类目，具有什么特性（价位、性别等）。然后推荐买了这些类目 （特性）的人还买了什么？&/p&&br&&p&外行人，但是好奇心爆棚。乱说的地方，还请不要见怪！&/p&&p&-----------------------------------------------------------------------------------------------------------------&/p&&p&6月5日，再次更新&/p&&br&&p&大家关注过&u&今日头条&/u&么？他们是立志要做个性化的新闻客户端的。口号：你关注的才是头条。&/p&&p&可是后来也流产了。除了当时设计到的一些版权纠纷以外。我觉得他们的“标签”功能始终非常不完善。不能实现他们宣称的目标。&/p&&br&&p&所以，准确的推荐，真的很难吗？是技术上无法攻克的难关？&/p&&p&-------------------------------------------&/p&&p&6月4日，更新&/p&&p&&u&为什么我觉得淘宝的推荐体验不好&/u&&/p&&p&1、因为客户一旦购买完成商品A后，很少会短期内购买同样的商品。&/p&&p&2、最后推荐出来的商品基本都是本类别最热卖的，失去了推荐的含义。就像你在豆瓣上看了《动物庄园》。这时豆瓣推荐了《1984》、哈耶克给你，你就觉得很欣喜。我通过这种方式发现了很多适合我自己口味的好书好电影。可如果无论你喜欢了什么书和电影，它推荐给你的都是TOP250电影和TOP250好书推荐。WTF...&/p&&p&ps,我不否认在浏览页面放个“浏览了这些的人也浏览了……”的确有帮助作用啦。可是淘宝那么多推荐页面，比如个人主页上，通通都是““浏览了这些的人也浏览了……””真的好么？&/p&
谢谢答案区大家的解答！想实现每次上网5分钟就可以完成购买（因为推荐都特别准！），每天早上不刷几下“猜你喜欢”就不想起床的生活是我吐槽的原动力!另外还有一些不明白的地方，放在更新里了！下面是原来的问题：---------------------------------------------------------------从消费者的角度出发，我觉得国内的网站的推荐，只有豆瓣的“猜你喜欢”和亚马逊的"推荐"，才有点用，可以得到很多信息。（答案里有人推荐网易云音乐，据说做的也很棒）那么实现对消费者准确的推荐很难吗?为什么大多数网站都做不到呢？即使像阿里巴巴这样的首富！举个栗子，我在亚马逊上买了一瓶雅诗兰黛3折的眼霜（熟龄肌肤适用，且不油腻）。他会推荐给我倩碧5折无油黄油（适合油性肌肤）、伊丽莎白雅顿精华（适合熟龄肌肤）、居家脸部按摩神器1折39元（款式清新小资）。再举个栗子，我在某宝上买了一只美的迷你吸尘器99元。某宝立刻推荐给我飞利浦迷你吸尘器99元。美的XX型号迷你吸尘器139元。粉色蝴蝶萝莉裙32元备注：我在这几个网站上都是资深用户。某宝上消费金额应该超过5万，而且多是小件，时间超过7年。有足够信息让他们计算（算计）我。答案区同学的补充"比如我在上面买了个鼠标，接下来它就一直给我推荐鼠标，连键盘都不知道推荐。"困惑了好几年了！希望大神们能帮我解惑！ 谢谢--------------------------------------------------------------------------------------------------------------------补充说明：…
已有的回答我觉得都没说到点上。豆瓣和amazon，包括Netflix，都是推荐算法里做得较好的。他们做得好，不是因为人牛逼，阿里百度有很多牛逼的人，也不是他们的产品有何特别之处，而是因为：他们从公司创立之初就有了数据化、程序化、自动化运营一切的思维模式。从《网飞传奇》所介绍的Netflix发展史来看，在他们作为芝麻公司时和当时视频租赁巨头Blockbuster对抗时就引进了数学天才做算法，做数据化推广，CEO 在度假时还在研究协同过滤，要知道他们CEO 可不是技术出身，公司在理念就赢了。去年去听了一次Amazon技术峰会，他们的理念也是“量化一切”。豆瓣，不用说了，技术驱动的公司，阿北，阿稳，王守崑，这些都是技术牛，一定会把豆瓣的推荐做好的。反观国内，人工干预痕迹太严重了， 尤其是重运营的某里，一直主打爆款，主打大促，怎么去个性化啊。那为什么新掌门一上任，淘宝手机端的推荐就做好了？我不信是某里这时引入了大牛，我也不信是突然就设计了什么新算法，我信的是：理念变了。最后客观地说一句，光推荐算法好有什么用呢？如果你曲库不够大，音质不够好，交互不够顺畅，照样起不来的。这些是相辅相成的，推荐算法是放大器，是科学的流量放大器，商业价值放大器，基数一定要够大。
一派胡言，一点都不难，同类异类推荐啥的对于淘宝不算是什么难事，至于为什么给你这么多这么多的问题，那我估计可以从政治和技术给你扯那么几页了。手机写几行，后面可能补一补：）&br&1.用户意图。推荐最重要的是意图分析，用户的状态决定着用户会想看什么，也影响着我们给用户推什么，本着客户第一（：）），在绝大部分购前场景下，我们要给用户推用户最可能看的东西，比如猜你喜欢，店内推荐等（当然店内也是有搭配推荐），在付款完成后，也是有搭配推荐等&br&2.淘宝推荐大局势因素。：）&br&3.淘宝大局势因素。：）&br&-----------&br&趁着撸完串，有点喝多，做了几页PPT，要是有被请喝茶，就删之，不清楚的可以再问 &br&&img src=&/ce00ac59b70_b.jpg& data-rawwidth=&991& data-rawheight=&503& class=&origin_image zh-lightbox-thumb& width=&991& data-original=&/ce00ac59b70_r.jpg&&&br&&img src=&/7c873ad633ccecd5d7184ac_b.jpg& data-rawwidth=&988& data-rawheight=&523& class=&origin_image zh-lightbox-thumb& width=&988& data-original=&/7c873ad633ccecd5d7184ac_r.jpg&&&img src=&/ec1c3cdb95ceabeb7e995a_b.jpg& data-rawwidth=&999& data-rawheight=&526& class=&origin_image zh-lightbox-thumb& width=&999& data-original=&/ec1c3cdb95ceabeb7e995a_r.jpg&&&img src=&/ad7bcecdb298d46f057651f_b.jpg& data-rawwidth=&987& data-rawheight=&511& class=&origin_image zh-lightbox-thumb& width=&987& data-original=&/ad7bcecdb298d46f057651f_r.jpg&&&img src=&/622b8be266f36fd4c370581_b.jpg& data-rawwidth=&975& data-rawheight=&525& class=&origin_image zh-lightbox-thumb& width=&975& data-original=&/622b8be266f36fd4c370581_r.jpg&&&img src=&/ca4ef5b2f0e3ec919a8eff_b.jpg& data-rawwidth=&985& data-rawheight=&563& class=&origin_image zh-lightbox-thumb& width=&985& data-original=&/ca4ef5b2f0e3ec919a8eff_r.jpg&&&img src=&/46fe2f4cb23ccbb28e6d36_b.jpg& data-rawwidth=&980& data-rawheight=&515& class=&origin_image zh-lightbox-thumb& width=&980& data-original=&/46fe2f4cb23ccbb28e6d36_r.jpg&&&img src=&/7bacf3c10ee63b566e08ca4b5fefd536_b.jpg& data-rawwidth=&983& data-rawheight=&525& class=&origin_image zh-lightbox-thumb& width=&983& data-original=&/7bacf3c10ee63b566e08ca4b5fefd536_r.jpg&&
一派胡言，一点都不难，同类异类推荐啥的对于淘宝不算是什么难事，至于为什么给你这么多这么多的问题，那我估计可以从政治和技术给你扯那么几页了。手机写几行，后面可能补一补：） 1.用户意图。推荐最重要的是意图分析，用户的状态决定着用户会想看什么，…
作为淘宝的推荐算法工程师，来说几句，希望能解答一些题主的疑惑。知乎上有太多熟人，还是先匿了。&br&&br&&br&1. 淘宝的推荐是在不断进步的，题主说的现象几年前更为严重，你买了什么就给你推荐一模一样的，但现在情况是在改观的，尤其是最近一年。&br&&br&2. 淘宝的场景众多，以手机淘宝app为例，首页有猜你喜欢，购买付款之后有推荐，逛店铺有推荐…这些场景少说也有几十个，这与豆瓣亚马逊都是不同的。这些场景之间并不能用同一份数据，也不是同一个人做的（甚至不是同一个团队做的）。这有什么问题呢？一个直接的问题就是资源。由于这些场景都是不同的，因此推荐算法所需要的计算资源存储资源也是不可复用的。阿里虽然有钱，但也不能为每个场景都建立足够全量计算的资源，于是算法就会做简化。&br&&br&3. 到去年年初的时候，很多场景的推荐甚至都没有个性化算法在里面。去年大老板提出千人千面，这才逐步在各个场景开始用上个性化推荐的算法（所以我们团队的活儿越来越多了），在此之前淘宝上各个场景或许七成都是没有个性化的（所以题主会觉得都是热门）。可以这么说，淘宝的推荐真正开始像豆瓣亚马逊那样有算法介入，给每个人推荐适合他的东西，也就这一两年的事情。&br&&br&4. 推荐算法的目标是什么？从现实的角度，很简单，就是点击率，或者转化率。我推荐什么用户才会多点多买呢？也许题主觉得那些搭配啊风格啊是很好的，但从普罗大众剁手党来说，并不会买账。我们也做过实验，实际数据表明，很多场景里用户刚看了什么买了什么，你就推荐个类似的，这是点击率最高的方式。题主是不是很诧异？我也很无奈，淘宝用户毕竟不是豆瓣用户，题主这样的用户在淘宝上是绝对的少数。&br&&br&5. 题主提到的搭配推荐，这个事情我们团队正在做，不久之后会成熟完善。即使现在已经有个性化算法的场景，比如猜你喜欢，我们也在持续地改进算法中，题主可以体会一下。&br&&br&6. 有人说网易云音乐，确实他有很多设计可以更容易让用户暴露出自己的喜好，这是产品设计上的先天优势。这一块，我们团队几个月前开始支持类似的产品天天动听的推荐，现在第一版本已经上线，题主不妨感受一下。我自己的感受并不差。&br&&br&7. 当然，有时候推荐结果之所以是这样而不是那样，是因为算法要迎合老板的口味。这就不多说了。&br&&br&淘宝推荐还很年轻，以后会越来越好。
作为淘宝的推荐算法工程师，来说几句，希望能解答一些题主的疑惑。知乎上有太多熟人，还是先匿了。 1. 淘宝的推荐是在不断进步的，题主说的现象几年前更为严重，你买了什么就给你推荐一模一样的，但现在情况是在改观的，尤其是最近一年。 2. 淘宝的场景众多…
已有帐号？
无法登录？
社交帐号登录
动如神经，静如痴呆。Amazon 的推荐算法是否特别优秀？为什么？
来源：互联网
【有人说 Amazon 促销少是因为推荐算法牛逼，可以让你最快的买到自己想买的东西，而不是像逛商场那样被促销信息给吸引眼球，最后买一大堆自己原本不需要的东西。 但是根据我使用的情况来看， http://
和 http://
他做的无非是你浏览过什么东西，就放类似的东西到推荐上来。但是似乎没有根据你实际上买了什么东西来推荐。比如，我常会看手表，但是从未购买过，在他上面主要还是购书。那么照理来说应该是推荐的书籍信息更多一些才对。 所以我觉得他的推荐算法也只是一个比较简单的推荐同类物品的系统。当然，他可能有不同的权重，但是我感觉并没有那么牛逼。】
现在在京东、易迅、亚马逊等看到的主流推荐算法，一般都是基于物品自身相似性（不依赖于用户数据，没有冷启动问题）、基于用户浏览、喜欢、购买等数据的协同过滤推荐（用户纬度和商品纬度）。其实这些推荐算法的核心思路，是很朴素的。一、基于物品自身相似度：例如衣服A和衣服B，对于它们在分类、价格段、属性、风格、品牌定位等等其他属性纬度的表现，来计算它们之间的相似度，如果相似度高，那么在有用户浏览A的时候，就可以推荐B（实际当然没这么简单）。因为衣服的这些属性是不依赖于用户的，所以解决了系统的冷启动问题，正是不依赖与用户的行为数据，因此比较死板，完全没有个性化的推荐。这个算法的思路很多人都清楚，但是越是简单的算法，要达到好的效果就越是难，特别是推荐这种转化率非常低的算法。商品有几十个属性，对不同分类的商品，并不是所有的属性都是有必要纳入相似度计算的，已经纳入的属性但是重要性也是有区别的，这样一来，光光给不同类别商品筛选必要属性以及设置这些属性在相似度计算中的权重值，就是一项非常浩大的工程了。亚马逊的推荐系统在全球行业中也是最早的，相信他们在这个问题上肯定有自己一套迅速有效的方法。当然要我来说具体是怎么样的，我怎么可能知道呢^_^，知道了也不告诉你。二、基于用户纬度的协同过滤：采集用户的购买（浏览、收藏都行）商品数据，把用户购买的商品列出来，当作用户的属性纬度。例如用户A购买了商品1、2、3、4、5，用户B购买了商品1、2、5、6，那么可以简单的将1分别作为A和B的属性特征字符串，计算A和B的相似度，经过简单的聚类将用户聚成几个类别（邻居）。假设A和B同属于一个聚类，那么可以称A和B有比较相似的偏好，继而可以将A买过而B没买过的其他商品推荐给B。在这一个流程里，可以发挥的地方有很多：1、用户的行为数据需要去噪音（买了多少商品以下的用户不考虑，有代购的不考虑，如何精准的判断代购，商品时效性的考虑，数据的时间跨度等等）；2、计算相似度的时候跟第一点中提到的一样，并不是所有商品对用户的描述度都是一样的。可能价格低的重要程度就没有昂贵的商品重要。3、通过聚类计算邻居的时候，聚类算法又是另一门学科了，或者选择分类算法。然后聚类的门槛选择都是需要很长时间的测试、观察、修改的，需要时间的积累。4、浏览、购买、收藏等历史数据是不是可以协同过滤。现在很多网站给出的推荐，都不是单一推荐算法的，一个算法的输出可以作为另一个算法的输入，可以是多个算法的输出综合筛选，这也是一个需要长时间积累的地方。三、基于物品纬度的协同过滤：其实我觉得是和第二点很相似，就是将用户作为商品的属性纬度来看。例如商品A被用户1，2，3，4，5，6购买过，商品B被用户1，3，4，5，7购买过，那么将123456作为商品A的特征属性数据，13457作为商品B的特征数据，然后计算商品A和B的相似度（这里的相似度却别于第一点提到的相似度，似乎叫“相似度”不是很合适）。因为我们有理由认为同一个人群买了A，又买了B，那么A和B一定有某种关联。在这个流程里面可以发挥的地方基本和第二点中提到的差不多。四、强关联规则的应用：重点是同一次购买记录（当然也不是必然的，看自己的选择）。首先收集数据就需要把一单购买一种商品的过滤掉。然后一次对每一条记录中进行成对提取统计，简单的就是两两统计次数，这种提取出来的都是两个商品被同时购买的次数，适用于一对一推荐。还有一种是通过FPTree算法（似乎是这个名字吧，因为我们公司是一对一的需求，所以这个算法我没怎么研究，是我自己写的两两统计），不光是一对一推荐，可以一对二，二对一。在这个流程里面，关联规则（）挖掘算法非常重要，其中置信度和支持度也是需要不断调整的地方。五、所有推荐系统之间的数据共享、数据的定时自动更新、自动学习。总的来说，推荐算法大部分都是很朴素的，但是需要运用的好，没有长时间的积累是做不到的。仅仅是聘请一些算法工程师，运用一些算法框架，想取得好的推荐效果，基本是不可能的。只有算法与具体业务相结合才能产生化学反应。
谢谢邀请借张栋博士在2011年rec sys的如何做好推荐系统ppt中，推荐要素 分别是（1）UI， （2）领域知识（3）数据（4）算法，重要性排序 UI& 领域知识&数据&算法，难度排序 算法&数据&领域知识&UI.UI不好，其他都免谈，领域知识没有，数据和算法白搭，没有数据，算法再牛也无意。（协同过滤之所以比向量相似度好，只是有了很多的用户数据）UI很容易学习（抄袭），领域知识也是可以快速积累的，数据是巨头吞掉虾米的利器，巨头PK巨头就只有靠算法.（p.s. 360搜索份额积累，已经是巨头 PK 巨头的层次了,算法伯仲之间是留住用户的根本）
谢邀~ 大家答得都挺好的，我做个补充~ 我碰巧前些时候和Amazon的Chief Scientist Andreas Weigend聊过，和大家分享一下~当时我的观点当然很不成熟，大致意思是只要数据量足够大，所有的信息，包括预测，推荐，评价等，都可以从数据分析中获得。他和我的观点是相对的，他说他们现在做的，不是从数据中分析出信息，而是建立一套有效的评价和反馈机制，让用户形成一个良好的Community，让用户本身对于产品进行推荐。也就是说，你得到的推荐，也许根本不是从数据中挖掘出来的，而是由其他用户贡献的。这个观点还可以这么理解：用户群体，也成为了产品的一部分。不知道这样说清不清楚，供大家借鉴。
觉得他不牛逼，可能是因为推荐算法这几年已经研究得很透，也就那么几种经典算法，user-knn，item-knn，MF等，从算法本身来讲并不难；那么为什么称为“推荐之王”？因为这个推荐系统对amazon销售额贡献率在20%-30%之间，是人家烧了大把钱，花十几年搭建并不断完善的，一直孜孜不倦收集物品和用户行为数据，并不是随便一家电商用很牛逼的算法就能做到的。学术界和工业界在推荐算法的评价标准不一样，为发论文要去死抠百分零点几的准确率，实际应用的话更关注算法健壮性、可扩展、效率、可解释性，所以简单的算法+海量数据更能符合实际生产环境。
感谢david邀请。第一次在知乎回答手足无措的感觉。短答案:不是长答案：就我浅薄的见识看，决定一个推荐系统是不是成功有太多的方面。算法肯定是其中最重要的之一（要是给个随机数生成器，估计是个人就能感觉得出来这个推荐系统多二），但是绝对不是全部。从我的使用经验和读他们的paper来看，亚马逊现在使用的推荐系统仍然是item-to-item的算法，最基本也是最简单但也是用得最多的算法。注意看如果你去买一个相机，它给你推荐的一定是那个相机相关的器材，也就是说，亚马逊似乎并没有集成一系列matrix factorization之流在各大会议上发到爆棚的“牛逼”算法。这主要是因为，一般复杂的模型难于实现难以维护，而且达到的效果只是在基本算法上的边际提升。之所以亚马逊的用户体验还不错，主要是很多因素在综合起作用，而不光是他们的算法很牛逼。举几个例子：1）推荐解释。如果推荐的时候给你解释为什么要给你推荐这个产品，那么你接受起来会更容易一些。（由于亚马逊没有社交网络，比如FB和Twitter的关系团，所以没有办法给你朋友推荐，但是如果能加上你的强社会关系用户的评价，推荐系统的使用性会更好。参见：）2）评价。每个商品推荐时候的ranking都是结合过用户评价，也就是说不光是推荐系统在起作用，评价的情感分析，评价总结都有考虑。这样给你推荐一个商品的时候，很少会推荐一个你觉得“烂"的产品。3）网站本身体验就不错。综上，算法仅是一个方面，netflix大赛107个model的例子也让大家都明白了，复杂的model在paper上写写就好，工业界要用的主要还是能用算法+产品+体验。
竟然被人要求答问题了，受宠若惊。因为保密协议不能直接作答。其实楼上几个达人已经回答的很好了，从最后个人用户体验来说亚马逊的推荐系统不管是中文也好还是英文也好都还有很多的可以提高的地方。个人觉得没有必要对某个公司的算法太过推崇，个人认为原因有三：1) 推荐算法的投入边际效应递减是非常严重的。谷歌、微软都在美国聘用了大量的博士级人物进行推荐算法优化，无非就是针对一些特定的知识点做专门的feature engineering。以期这样一点一点的提高算法的质量。现在有了deep learning，不过就是把高维的feature 通过各种办法map到低维的空间上去，而这些低维空间上的feature 很有可能已经有人把它给做过了，所以能提高多少也是一个问题。2) IT公司说白了都是铁打的营盘流水的兵。当年给亚马逊做推荐系统的那几个人呢现在没准正在阿里巴巴、百度神马的地方猫着呢（大牛们看了是不是在会心一笑呢？）按照亚马逊平均雇佣一年年限来算的话，从2000年到现在走了的人也有至少十轮了吧，这么多的人散落天涯早就让亚马逊的推荐算法不再独特了3) 现在很多开放源代码的软件也可以做很多推荐应用了，好多效果都不赖哦。另外跑题说一句，其实很多人生导师啊神马的吹嘘谷歌也是没什么必要的，IT公司现在已经越来越大众化了，技术上面的比拼现在已经很难让一个公司脱颖而出击败对手的。在业务流程上的优化、用户体验上的提高、产业模式上面的创新才是一个公司长期不败的因素吧。
电子商务的蓬勃发展俨然构建了一个在线的巨大超市，然而用户时间宝贵，经常依赖搜索引擎寻找商品，被曝光的商品一般是知名度比较高，较为流行的。电商则希望提高自己的竞争能力，提高用户体验，促进仓库里更多的商品曝光给用户。03年的时候的Greg Linden的一篇Item-to-Item CF文章多少告知了一些亚马逊的推荐系统。就我个人的使用经历来看，Amazon的推荐系统有如下特点：1. 从Amazon的推荐列表来看，他的推荐算法一般只针对同一类目下的商品推荐 (如 图书，电子消费产品)。我做出这个判断的依据是Collaborative Filtering 本身具有领域无关的特点。我在Amazon上一般就买书，硬盘，推荐列表中的商品一个都没有逃离这个范围，所以我才做出这样的判断2. 一个成熟的推荐系统从来不会只依赖一种推荐策略。Amazon除了使用 Item-based 的协同过滤，他还十分注意对用户的购物篮进行分析。我想大家应该都体验过 Amazon 的推荐结果还包括了一个"购买这个商品的人还购买", 或者 “浏览过该商品的人还浏览过” 的模块3. 就如 所说的那样，Amazon 非常注意对用户行为数据的收集和分析。他会从用户的行为数据中提取能够帮助建立合理规则的信息，当然这块就需要十分细致的分析，可能需要在Amazon内部工作过的人来解答了。因为 Amazon 要建立一套有效的评价和反馈机制的话，就离不开用户所留下的宝贵财产。4. Amazon 的推荐算法本身并不能算特别复杂的，但是他们为构建这个推荐系统所采用的系统架构肯定是十分复杂的。电商的业务线本身就挺多的，要想把推荐系统和其他的服务良好的整合起来是需要很多的实践经验和金钱的。除此之外，推荐系统要具备有良好的实时性，需要在很短的时间内抓住用户的新喜好，或者兴趣的变化。这就要求算法不能太复杂，不然可能在训练的时候耗时间，或者在线推荐的时候无法做到实时性。第一次被邀请，不知道这样的回答满意否？如果有不对的地方，欢迎大家指正哈。
我认为“推荐”可以有三种方式实现，1是编辑推荐（比如编辑，售货员，促销员），2是机器推荐，个性化推荐及相关推荐系统（电商，视频是目前表现非常好的领域），在优酷土豆的表现也非常好。3是社会化推荐，你的朋友给你推荐，比如微博、微信、蘑菇街、还有你周围好热心肠的朋友（帮别人介绍对象的绝对是个积极的推荐节点）。先回答这个问题“有人说 Amazon 促销少是因为推荐算法牛逼”我不认为是这样的。既然说到促销，先说说我对促销的理解一、促销也是一种“推荐”，推荐理由是“你可以花更少的钱买到你想要的东西”，那么能接受这种这个理由的消费者就会接受这种推荐，中国的消费者文化是这种推荐的很好的土壤。双11就是最好的例子。二、促销是有成本的，要让利，实实在在的利，那么这就是一本经济账，所以有的愿意使用这种方式，有的不愿意。中国的商家天然存在一种想法，叫“你死我活”，“我要垄断市场”，那么最好的吸引消费者的方式就是“让利”，“促销”。京东3C一直亏钱就是个例子，所以中国的商业文化又自然的会选择这种方式。没有因为促销被骗的消费者还是很高兴的。促销或者机器推荐都是一种手段，用哪种，看市场及公司的取向。再说说推荐系统，其目的是将内容分发给消费者，上面提到了三种方式，人工、机器、社会化推荐一、人工的主要体现就是CMS系统，编辑等运营人员将内容整理好，形成首页、频道页推荐给用户。二、机器，大家都说了很多了，目前主流的算法大多是归纳演绎的方法推荐的，算法比较成熟，各家都会建立数十种推荐模型、融合、排序后推荐给用户。主流的算法都差不多，表现的好坏跟三个因素有关：1、数据量，不多说。2、内容商品性质，如果你经营的内容或商品并不适合使用推荐系统，那么，表现自然不会好。3、公司的战略产品UI设计，如果公司更注重表现主流价值观（CXTV？），那么CMS这种人工推荐更合适，就会出现各个入口页面都是编辑喜欢的东西；一般都是混合型的。三、社交网络，“我觉得果壳网很赞哦”。。。
要评价一个推荐系统，很多时候不能只从表面看其是否命中我的需求、是否给我带来惊喜。推荐系统本来就是跟业务逻辑和商业诉求绑定的。我一直觉得一个好的推荐系统不应该只是提高点击率、转化率或者收入占比，而是应该帮助构建一个良好的生态环境，例如给更多的商品增加曝光机会，促进用户的交互、评论等等。我很少用Amazon，但我可以分享一个经历。我们曾经做过一个推荐系统，来自推荐的收入占比可以占到网站的20-30%，但网站的收入并没有提升，推荐只是分流了别的渠道的用户行为而已。这就是一个失败的推荐系统。我相信Amazon作为推荐系统的先驱，作为一个商业上很有追求的公司，他们的推荐系统不仅仅是30%的占比那么简单（这个数字已经不低了，但跟站点的UI关联很大。Netflix来自推荐系统的流量甚至超过70%，说明这并不是那么遥不可及），一定承载了很多别的商业需求。
亚马逊的推荐系统确实挺傻。这是什么原因很难去揣测。我相信亚马逊确实有非常优秀的工程师和科学家，要想做个更好的推荐系统不是一件难事。要说这么多年的学术研究完全不实用，实际效果不好，在工业界完全用不上，我反正不信。我猜想，其中一个原因是亚马逊不想吓到用户。比如你买了手表，亚马逊给你继续推荐手表。你买了洗衣机，亚马逊给你继续推荐洗衣机。普通人完全可以理解这一行为：就是个傻傻的人工智能嘛。如果说你在父亲节给爸爸买了块劳力士，亚马逊通过这块手表推测出了你的年收入，在母亲节来临前推荐你给妈妈买个LV包，这是不是就会增加销售？不一定，反而可能把用户吓跑，从此再也不敢用亚马逊购物。
谢谢邀请，前面很多人已经回答的比较全面，我对亚马逊的推荐系统不是很了解，说说自己的理解。首先，我觉得Amazon促销少跟其推荐算法是否很牛应该关系不大。促销是公司的一种营销手段，比如双11淘宝购物节，比较适合中国国情，平台、卖家、买家3方都可以从中受益。我想即使淘宝推荐技术全球第一，也会搞双11。关于推荐算法，已经有很多paper，但实际应用时，并不是算法本身要有多厉害。我觉得更重要的是 简单可解释的算法模型 + 海量数据 + 优秀的前端交互体验。推荐算法常基于两个方面来进行，一是根据商品间的相关性，比如可以根据商品自身的属性，计算出两个商品间的一个相识度，从而进行推荐。另一种是根据用户行为，例如大部分用户在浏览商品A后最终购买了B，那就可以在用户浏览A时向其推荐B，还可以根据共同购买的商品等等用户行为进行推荐。数据量大，挖掘出来的信息才有利用价值，如果用户数据很少，我估计再厉害的算法都没辙。还有很重要的是进行数据清洗，去除噪音数据。虽然我是做后台技术，但我觉得前端交互设计非常重要，很多时候前端UI展示的改进比后台算法改进带了的转化率提升还明显。
淘宝的回头客和黄钻购买的推荐反倒感觉更好
个人觉得算法对于一个商业系统来说不是最重要的，数据才是。他这么多年的数据积累是他这个系统牛逼的主要因素。商业系统应当选用健壮而且快速的算法，而不是没有经过实践检验的新算法。
Chen Leon:
不知道算法。但是从客户的角度看蠢极了。比如你刚买了一块手表，他会继续推荐手表。。。谁没事儿买一堆玩儿啊
蟹妖和题主的结论不同，推荐系统很复杂。推荐系统可以粗略的分为两类：1.content-based，也就是根据商品自身的属性来匹配。2.collaborative filtering，这里指的是广义的CF算法，大体的思路就是向你推荐那些和你"相似"的用户购买过的产品，包括最初的CF算法，后来Amazon提出的Item-Based的CF算法，到比较新的Matrix Factoration都可以归于此类。正如前文所述，推荐系统是个复杂系统，单一的算法肯定是不足以应付Amazon这种级别的应用的。一个难点就是应付那些"长尾"的商品。绝大多数的购买集中在热门商品上，导致算法没有足够的数据来针对冷门的商品进行推荐，结果很可能不如预期，甚至违背常理，比如向点击某款洗面奶的用户推荐Kindle之类的。综上，成功的运行一个推荐系统，需要的不仅是算法，还必须同时满足很多不同方面的约束，这需要大量的经验。Amazon在这方面应该算是佼佼者了。
我觉得几个网站相比，当当推荐的图书比较靠谱一点。我经常能从它推荐的书里面找到另一些有趣的，想看的，但是不推荐我可能就没想到的书。卓越和豆瓣，感觉推荐都很死板，基本上属于“我知道你爱吃巧克力，我推荐给你德芙和金帝”，而当当则会考虑“你搜索了巧克力，又搜索了礼品装，是要买情人节礼物吗？来看看这些送男友不错的东西吧”。不过，也有莫名其妙推荐的。说个离谱的例子吧，卓越给我推荐过《农民工进城务工指南》，淘宝给我推荐过什么狐臭药，我至今不明白是基于怎样的逻辑……
从我们用户的角度看，亚马逊的推荐系统怎么能算蠢，简直就是蠢。当然了，从知乎的角度看肯定各种合理有效。就像以前有个问题讨论亚马逊界面是不是比其他购物网站好，在很早就有这个问题，当时用户结构还比较简单，一片夸赞啊，淘宝的页面简直不是人看的，亚马逊各种好，呵呵，幸亏后来知乎用户多了，有了普通用户来发声。
电商最通用的推荐算法大多是协同过滤，基于用户或者基于商品，非常的朴素。但是当数据量越来越多的时候，算法会越发精准。没做过电商，但是在社交网络公司的一直在做好友推荐，算法从简到繁，再次从繁到简。发现投入和产出不成比例。当你用最基本的算法，花费一周时间，能达到A效果；然后继续优化算法，接下来的一个月可能在A基础上提高不到5%。电商的算法可能只是使用朴素的算法来做的，然后认为good enough~
竟然被邀请了先说算法：第一，亚马逊的算法不公开吧应该，所以不知道他优秀不优秀。十几年前公开的论文里说，基本上就是找同类相似物品。所以找相似书还可以，找相似移动硬盘就没意思了。第二，据我所知，从学术研究的角度来看，亚马逊的算法并不高明，哪个公司的算法都不会太高明，因为复杂的算法效率太差，而且提升不大。第三，效果好的算法需要的训练时间长，如果一个人点完几下五分钟之后推荐结果就出来，那是在线增量算法，也就是近似算法，效果不会太好。第四，学术研究的所谓优秀的推荐算法，效果也没好到哪去。推荐算法的结果从绝对的数值来看，是很不精准的，因为无论怎么看，数据量都太小了。有人说大数据啊，实际上，大部分用户可能只有几条购买记录，一亿用户合在一起那当然多了。比如说用四五条记录把握一个人的喜好，那这样本数量还是太少了。你见过统计学四五个数据样本算一大堆什么期望方差吗。这个不光是算法的问题，还有界面展示，促销策略，商品价格多方面的问题。所以事实上推荐系统只是贡献了亚马逊其中一部分的销售额。
一句话答案： 在统计学的角度，Amazon 的模型（so-called「算法」 ）不复杂，之所以准确是因为数据量足够大！核心观点：当数据量足够大的时候，任何统计模型（推荐算法）得到的结果都更准确越简单的模型，随着数据量增大表现出的准确性提高越明显在数据量足够大的时候，简单模型得出的结果准确性要高于复杂模型Amazon 的模型是主要是计算单品对单品的相关性 （item to item）不是一个复杂模型。见： 而导致数据结果准确的原因就是，他们的数据足够「大」。大的含义有两层：维度够广历史够长收集信息的阶段，尽可能多的记录下来能记录的数据，分析的时候把所有维度都纳入。如果和结果不存在相关性自然就不会体现到结果中。
免责声明：本站部分内容、图片、文字、视频等来自于互联网，仅供大家学习与交流。相关内容如涉嫌侵犯您的知识产权或其他合法权益，请向本站发送有效通知，我们会及时处理。反馈邮箱&&&&。
学生服务号
在线咨询，奖学金返现，名师点评，等你来互动