就是在对应的场里做匹配，比如说首页、Feed流、导航栏、个人中心等等，在你想要的场景匹配上你所需要的数据

货（内容）

给内容或产品打上标签，比如一个运动上衣，可能会有夹克、运动、长袖、外套等等各种各样符合这个产品的标签，并记录这个产品的售卖数量，收藏、加购的数量等。

然后通过人货模型，就可以知道，比如说：年轻的女孩子，喜欢口红，包包、购物、逛街；年轻的男孩子，喜欢女孩子，喜欢手机、手表、汽车，然后怎么匹配呢？

3. 场

就是在对应的场里做匹配，比如说首页、Feed流、导航栏、个人中心等等，在你想要的场景匹配上你所需要的数据。

然后我可能有了这个标签的推荐方法，我把一个东西推给一部分人，然后这部分人很喜欢这个东西，那我就可以把这个东西推给更多类似的用户了，然后不停不停的去扩展流量，我就知道每个用户喜欢什么东西了。

五、智能推荐系统的框架

1. 数据采集

怎么去采集啊？要去做埋点，要去记录用户的数据。

比如说一个用户打开了我们的某小程序，他注册的信息是什么？他是几点打开的，几点关闭的小程序，查看了哪些页面，浏览了哪些产品，每个页面的停留时间是多久，用的4G还是5G还是WIFI啊，在哪儿？

这时候用户数据和行为数据都知道了，那什么是内容数据呢？比如说抖音，亿万的人在抖音产生了千亿条抖音短视频，这些都是内容数据。

2. 数据整理

采集到数据之后，就要把数据做标注，数据标注的类型有：图片标注、语音标注、文本标注、视频标注、道路标注、行人标注、人脸106点、图像语义分割等。

然后有些数据是重复的，需要做合并，有些事无意义的数据，影响后面的数据整理，那就做数据清洗，把它干掉等等

3. 画像体系

有了这些数据，我们就可以生成画像了，就知道是什么了。

画像有人物画像，也有商品画像；我们继续来说小明，比如说：小明，26岁，性别男，爱好看电影，喜欢吃小龙虾，商品画像其实就是描述这个商品的内容的东西。

4. 算法引擎

• 协同过滤：比如说小明喜欢《数据挖掘导论》，小红喜欢《三个火枪手》，基于 UserCF(用户协同过滤)，找到与他们偏好相似的用户，将相似用户偏好的书籍推荐给他们；还可以基于ItemCF(物品协同过滤)，找到与他们当前偏好书籍相似的其他书籍，推荐给他们。
• 隐语义模型：根据用户的当前偏好信息，得到用户的兴趣偏好，将该类兴趣对应的物品推荐给当前用户。比如，小明喜欢的《数据挖掘导论》属于计算机类的书籍，那我们可以将其他的计算机类书籍推荐给他；小红喜欢的是文学类数据，可将《巴黎圣母院》等这类文字作品推荐给她，这就是隐语义模型。

此外还有聚类模型等。

5. 推荐接口

由于有这些底层的数据及算法，那就可以根据这些数据通过接口，在某些场景去给他们做分发，我们继续来说小明，不仅喜欢吃老乡鸡，还喜欢打网球，弹琴，琴棋书画样样精通啊。孙总打开手机的时候，我就可以在他的用户端的各个模块下给他推荐他喜欢的东西了。

6. 底层规则控制及配置

比如说我知道孙总喜欢吃老乡鸡，可是我已经给他推送了3天了，第四天我再给他推送，估计他就吐了，那我给他推送一波小厨娘，名称就很符合孙总的审美，他是不是就很大概率会买呀，这个就是一些规则的控制与配置，最后通过重新得到的数据去统计分析。