推荐系统在电商行业备受瞩目，契机源于Amazon“精准推荐用户可能喜欢且陌生商品”的深刻印象。当时Amazon主营书籍、CD和DVD，基于相关系数的推荐方法在此类品类中较为适用，但不同商品类型存在适用性差异。本文将重点解析电商匹配中的集体智慧与协同过滤等“推荐系统”。
希望了解的推荐机制
首先谈谈集体智慧，即从大量匿名用户的意见中浮现出的知识。
典型案例如：询问多人“瓶中球的数量”，取所有回答的平均值往往更接近正确答案。
集体智慧关注的是作为整体的“群体”智慧，而非个体智慧。
常有人误以为“汇集大量智慧”即为集体智慧，实则不然。例如在Twitter上因某人评论照片而感叹“集体智慧真厉害”，这并非真正的集体智慧。
关键在于因人数众多而汇总意见，“因为人多所以其中某人知道”不属于集体智慧范畴。
协同过滤是通过分析购买历史等数据寻找相似用户，并基于这些相似用户的偏好进行推荐的方法，其核心依据是用户之间的相似度。
计算用户相似度有多种方法，典型如皮尔逊积矩相关系数（衡量变量间相似度的关联函数，取值范围-1到1）。
需注意，协同过滤是概念名称而非具体算法，指代“用户间的相似度”而非“物品间的相似度”。实践中也存在不使用相关系数计算用户相似度的方法。
虽然大多数推荐系统基于物品相似度（且往往效果更佳），但业界常将此类方法统称为“协同过滤”。
对于推荐系统而言，使用一般关联函数的方法有时并不适用
基于物品相似度的情况通常称为“关联分析”或“购物篮分析”。
“购买A的人也购买B”这类推荐，通常更多由关联规则分析而非协同过滤实现。
实际上，电商网站的推荐大多基于模糊概念，即“向用户介绍看了某商品后可能购买的商品”。
具体实现常结合“协同过滤”与“关联分析”，并在计算上利用“相关系数”等方法。
换言之，电商推荐的本质往往是相关系数的计算，但推荐效果高度依赖商品品类。
例如，书籍、漫画、电影等利用相关系数计算非常高效，因为此类商品的消费品味往往高度相似。
Netflix数据显示，其超过70%的观看量来自推荐系统。
若无推荐系统，这70%的观看量未必完全消失，但对于影视内容而言，基于相关性的推荐确实更容易发挥显著作用。
另一方面，在食品和服装领域，虽非完全否定相关性方法，但其效果远不如书籍或电影那样具有决定性优势。
日用品推荐中，流行趋势和降价促销等因素至关重要。例如超市建议“买萝卜的人推荐带鱼”虽有道理，但推荐今日特价商品同样是极重要的策略。
推荐特价商品看似缺乏个性化（面向大众），但对是否推荐特价商品进行个性化处理也是一种有效方法。
在服装领域，部分商品适合在发售时推荐给特定人群，而另一些则更适合成为热门单品后再行推荐。
后续我们将深入探讨各品类中有效的推荐及个性化推荐方式。