推薦演算法的本質是通過一定的方式將使用者和物品聯絡起來，而不同的推薦系統利用了不同的方式。
從netflix的推薦理由來看，它們的演算法和亞馬遜的演算法類似，也是基於物品的推薦演算法，即給使用者推薦和他們曾經喜歡的電影相似的電影。
社交網路
facebook最寶貴的資料有兩個，乙個是使用者之間的社交網路關係，另乙個是使用者的偏好資訊。因此， facebook推出了乙個推薦api，稱為instant personalization。該工具根據使用者好友喜歡的資訊，給使用者推薦他們的好友最喜歡的物品。
和google reader不同，個性化閱讀工具zite則是收集使用者對文章的偏好資訊。在每篇文章右側， zite都允許使用者給出喜歡或不喜歡的反饋，然後通過分析使用者的反饋資料不停地更新使用者的個性化文章列表。
搜尋廣告個性化展示廣告雅虎是這方面研究的代表。
演算法工程師修仙之路 推薦系統實踐（三）
使用者行為資料中蘊涵著很多不是那麼顯而易見的規律，而個性化推薦演算法的任務就是通過計算機去發現這些規律，從而為產品的設計提供指導，提高使用者體驗。電子商務公司通過分析使用者的購物車，找出諸如 購買a商品的使用者都購買b商品 這種規律，同時在使用者瀏覽a商品時直接為其展示購買a商品的使用者都購買的其他...
演算法工程師修仙之路 TensorFlow（二）
張量在 tensorflow 中的實現並不是直接採用陣列的形式，它只是對tensorflow 中運算結果的引用。在張量中並沒有真正儲存數字，它儲存的是如何得到這些數字的計算過程。tensorflow中的張量和 numpy 中的陣列不同，tensorflow 計算的結果不是乙個具體的數字，而且乙個張量...
演算法工程師修仙之路 TensorFlow（五）
乙個最簡單的神經元結構的輸出就是所有輸入的加權和，而不同輸入的權重就是神經元的引數。神經網路的優化過程就是優化神經元中引數取值的過程。全連線神經網路是相鄰兩層之間任意兩個節點之間都有連線的神經網路結構。乙個簡單的判斷零件是否合格的三層全連線神經網路。第二個部分為神經網路的連線結構。最後乙個部分是每個...