随着互联网的发展短视频运营越来越精准化，我们身边常见的抖音、火山小视频等软件让你刷的停不下来，这些软件会根据你的浏览行为推荐你感兴趣的相关内容，这就用到了很多推荐算法在里面。
大数据平台只是提供了数据获取、存储、计算、应用的技术方案，真正挖掘这些数据之间的关系，让数据发挥价值的是各种机器学习算法。在这些算法中，常见的当属智能推荐算法了，接下来就具体的分析一下。
常见的推荐算法原理
一、人口统计的推荐原理
基于人口统计的推荐是相对简单的一种推荐算法，它会根据用户的基本信息进行分类，然后将商品推荐给同类用户：
*基于人口统计的推荐算法
用户A和用户C的年龄相近、性别相同，可以将他们划分为同类。用户A喜欢商品D，因此推测用户C可能也喜欢这个商品，系统就可以将这个商品推荐给用户。
在实践中，还应该根据用户收入、居住地区、学历、职业等各种因素对用户进行分类，以使推荐的商品更加准确。
二、商品属性的推荐原理
基于商品属性的推荐和基于人口统计的推荐相似，只是它是根据商品的属性进行分类，然后根据商品分类进行推荐：
*基于商品属性的推荐
电影A和电影D都是科幻、战争类型的电影，如果用户A喜欢电影A，很有可能他也会喜欢电影D，因此就可以给用户A推荐电影D。
这和我们的生活常识也是相符合的。如果一个人连续看了几篇关于篮球的新闻，那么再给他推荐一篇篮球的新闻，他很大可能会有兴趣看。
三、用户的协同过滤推荐
基于用户的协同过滤推荐是根据用户的喜好进行用户分类，然后根据用户分类进行推荐：
*基于用户的协同过滤推荐
用户A和用户C都喜欢商品A和商品B，根据他们的喜好可以分为同类。用户A还喜欢商品D，那么将商品D推荐给用户C，他可能也会喜欢。
现实中，跟我们有相似喜好、品味的人也常常被我们当作同类，我们也愿意去尝试他们喜欢的其他东西。
四、商品的协同过滤推荐
基于商品的协同过滤推荐则是根据用户的喜好对商品进行分类，然后根据商品分类进行推荐：
*基于商品的协同过滤推荐
喜欢商品B的用户A和用户B都喜欢商品D，那么商品B和商品D就可以分为同类。对于同样喜欢商品B的用户C，很有可能也喜欢商品D，就可以将商品D推荐给用户C。
描述的推荐算法比较简单，但事实上要想做好推荐其实是非常难的，用户不要你觉得他喜欢而要自己觉得喜欢。
现实中，有很多智能推荐的效果并不好被用户吐槽是“人工智障”。推荐算法的优化需要不断地收集用户的反馈不断地迭代算法和升级数据。
