您是否了解针对不同类型的商品或场景，什么样的推荐最为合适？请想象自己是一名店员，根据顾客画像思考应该向顾客推荐什么。要进行有效的推荐，需要具备三个要素：一是对顾客的把握程度（即用户画像），二是掌握可供推荐的商品信息（即商品画像），三是将两者匹配的能力。当然，如果没有任何信息，就无法为用户提供好的推荐，最多只能推荐新品或畅销品而已。
基于经验的推荐往往难以从群体智慧中获得
不同品类的推荐优劣各不相同，也就是说，针对不同品类需要掌握的用户画像信息也有所不同。
对于书籍、CD和DVD等产品，商品关联度较高的推荐（即“购买A的人也购买了B”这类推荐）效果较好，因此如果能获取购买历史，就能实现更精准的推荐。
另一方面，例如在租赁住宅这类品类中，并不存在“租了A的人也会租B”的情况，因为租房时的各种条件每次都在变化。如果不了解当时的具体条件，就无法给出好的推荐。
例如，当设定条件为“距离A站步行10分钟以内、月租金7万日元以下、房龄5年以内”时，首先应介绍符合这些条件的房源。然而，对于“放宽各项条件会更好”的用户，与“只要通勤或上学的条件相同，即使车站不同也可以接受”的用户，其需求各不相同。
有人执着于特定的车站，有人则更关注从车站出发的移动时间，情况因人而异。
二手车的情况也是如此。
例如，当设定条件为“100万日元以下、行驶里程1万公里以内、四门轿车”时，有的人认为价格是绝对条件，而有的人则优先考虑车况。
然而，像这样“仅凭表面条件无法得知”的信息，除非从用户那里获取，否则是无法知晓的。
也就是说，为了提供优质的推荐，需要获取这类用户背景信息的界面。
让我们以机票为例进行思考。
出差、度假和蜜月等不同场合，其背景情况各不相同。
如果是出差，通常不会用旧金山替代洛杉矶；但如果是度假，甚至可能出现用纽约替代普吉岛的选择。
有的情况下，通过调整行程获得更低价格才是好的推荐；而在另一些情况下，即使价格更高，直飞航班也是更好的选择。
正如租赁住宅和二手车一样，正因为有了能够掌握背景信息的界面，才能提供更好的推荐。
商品信息方面，良好的画像分析也至关重要。
例如，如果用户的工作地点在丸之内，向其推荐中目黑而非下北泽，可能是一个不错的选择。
此外，对于搜索“Wrangler”的用户，推荐“Land Cruiser 70”或“Volvo V70”，都需要根据用户的背景信息对商品有深入的理解。
不过，商品侧的画像分析有时也可以通过适当处理海量数据，利用机器学习等方法获得。这就是所谓的群体智慧。
当然，群体智慧并非万能。例如在服装搭配方面，虽然可以从群体智慧中进行商品画像分析，但有时由时尚造诣深厚的人给出的推荐会更好。
基于经验的推荐往往难以通过群体智慧获得。
关键在于“将什么作为知识进行推荐”
尽管存在各种情况，总而言之，“将什么作为知识进行推荐”这一点至关重要。
- 商品关联的情况 → 连接用户感兴趣的商品+与商品关联度高的商品这两类信息。
- 住宅的情况 → 用户所处的背景+与背景相匹配的商品这一组合。
- 新闻文章 → 用户的兴趣对象+文章内容+文章的新颖程度等。
通常，推荐系统需要用户所处的背景信息作为知识基础，但其中也存在一些“几乎可以忽略背景，仅根据与感兴趣商品的相关性即可进行推荐”的品类。可以说，目前的推荐系统大多仍停留在这一水平。
随着未来电子商务的增长和发展，仅靠这些简单的案例将不再足以覆盖所有需求，可以说我们正处于需要针对更高阶的特定品类进行专门推荐的阶段之前。
我认为，今后AI（人工智能）和深度学习等被期待用于图像识别和物联网的技术，将被用于实现高级推荐，或者说，用于实现比单纯推荐更好的建议。