目录：
推荐产品核心架构
基于内容的推荐策略
基于人口统计学的推荐策略
基于知识的推荐策略
基于社区的推荐策略
协同过滤的推荐策略
混合过滤推荐策略
推荐产品核心架构数据预处理：把原始数据处理为可决策数据，量化用户偏好；比如把用户近7天的浏览内容的类目进行统计，计算得出用户偏好的内容为居家商品类
多路召回：按照预先制定不同的策略模型到候选集过滤出符合条件的物品；每一路实际就死一种召回策略。比如个性化召回，是按照个性化偏好
综合排序：采用算法，综合对应的排序策略对召回的结果进行排序，保证优质结果的曝光量，从而提升流量转化率
运营干预：对最终的排序结果进行干预，主要目的是为了配合运营、业务活动等
基于内容的推荐策略这个策略的核心在于基于用户过去感兴趣的物品，建立其物品的一个相似矩阵；其中物品间的相似性是基于物品一些特征进行量化计算；比如物品有多个相似商品，用户喜欢其中一个，就会推荐其他与之相似的商品，其余商品不会出现在推荐结果
基于人口统计学的推荐策略基于人口统计信息进行推荐的。这个得前提假设是不同群体的文化和喜好有较大的不同；比如有很多网站会根据用户的语言和国家，进行不同的推荐，这种推荐由于其精准性受限，当下采用的较少。所以这种策略也使用的较少。
基于知识的推荐策略基于某一特定领域的知识库进行推荐；构建知识库的目的就是在已知用户的需求情况下，从候选集中推荐核实的商品，促成转化。一般这种推荐策略应用在专业度比较高，用户需要重策略的行业内；比如医疗和金融行业
基于社区的推荐策略人们更愿意相信朋友为他们推荐的产品，这个也基于社区推荐的前提假设
抖音短视频APP获取通讯录权限，微信登录权限，获取好友关系列表，把好友感兴趣的视频推荐给用户
协同过滤推荐策略兴趣相同的群体对对方感兴趣的内容也可能喜欢，用户感兴趣一件物品，那么他对该类相似物品也喜欢。
最常用的策略，当下采用最多的是基于用户的协同过滤和基于物品的协同过滤，这两种方法的核心在于通过用户对物品的评分来判断不同用户、物品之间的相似度。
混合推荐策略实际应用中，混合推荐策略就是包括前面5种策略中的2种或多种
案例：微信的看一看
数据预处理：用户数据：好友关系链；物品数据：公众号文章；行为数据：在看
召回策略：策略1：基于社区的推荐策略（朋友在看）策略2：混合推荐策略（精选）
排序策略：朋友在看：按照朋友点击在看的时间；按照模型排序
运营干预：新冠疫情实时动态置顶展示