定义：
通过对信息的自动过滤和分流，从而实现对不同用户的个性化推荐
算法分发三要素
算法的前提
算法分发的前提：了解用户的喜好，给用户做画像。
用户画像是根据用户
基本属性
、
社会属性
、
行为属性
和
消费属性
等真实数
据信息而抽象出的一个
标签化
的用户模型
标签的概念
对目标的量化标识和描述，抽象出事物更具有表意性、更为显著的特点
标签的作用
对
内容
和
用户
做画像，将内容和用户都标签化，从而实现精准匹配
标签库:
标签的集合，将标签结构化和组织化
1.所谓标签，就是关键字
2.根据业务性质，在后台建立一个标签库，所有跟用户和内容有关的标签都从标签库中来
比如，体育类的社区，标签库的关键字都跟体育运动相关；IT社区，标签库的关键字都跟互联网相关
3.标签库需要经常维护和更新
标签列表页
设计逻辑：
1.将内容和标签库做关键字匹配
2.匹配出来的关键字可以做关键字搜索
3.根据业务的需要决定是否在前台页面显
示关键字
设计逻辑：
1.后台需要显示内容的关键字
2.如果有需要，关键字可以手动添加
用户标签化
1.记录用户与内容之间的互动行为，比如浏览、评论、点赞、收藏、分享等
2.当产生互动行为，该内容的标签即可作为与用户有关联标签
3.但是行为不同，关联的紧密程度不同，即权重不一样
4.因此，需要给每个行为设定可量化的权重值，比如浏览、点赞、收藏的权重值为1、评论、收藏的权重值2、分享的
权重值为3。权重值的设定要参考用户操作该行为的投入程度，包括时间、精力和金钱。
5.用户每一次互动行为即获得对应标签的权重值
6.要考虑到时间效应——用户兴趣随着时间而衰减，减少对应的分值
7.要考虑热门内容的干扰，相应的行为要降权
8.如此，随着用户的行为数据的积累，用户标签的权重值就会出现阶梯，画像即形成
算法分发的规则及设计
个性化推荐
所谓个性化推荐，就是根据用户画像的结果，迎合用户的喜好，做针对性的
推荐
设计逻辑：
1.根据用户标签和内容标签做匹配
2.根据匹配结果，给用户做个性化推荐
3.要注意推荐的内容质量
4.也要考虑排序规则
内容
文章、视频
计算维度
分享，数量A
点赞，数量B
评论，数量C
收藏，数量D
维度的单位分值
分享：2分
点赞：1分
评论：2分
收藏：1分
内容总分值
S=A*2+B*1+C*2+D*1
推送规则
规则1.匹配该用户标签权重值的TOP5的标签内容
规则2.筛选满足规则1的且S>=30的全部内容
1.分页推送，每页8条，按照发布时间由近至远，上滑翻页
2.下拉刷新，推送本次刷新与上次刷新之间产生的满足规则1和规则2的内
容，根据分值从高到低排列，每次刷新最多推送8条，不足8条则推送实
际数量
3.已推荐过的内容则不再推荐
