推薦本身看情景，有的在用戶群較少／商品較少的情況下并不適用，需要基于一定的基礎之后再做。

1、即時推薦

用戶多次瀏覽了一家星巴克多次，在下一次用戶定位在星巴克附近的時候，直接將POI展現在首頁，直接命中用戶的需求。

2、精準展現

情景感知：場景化的猜你喜歡，基于特定的時間、地點、行為，去精準觸達用戶的需求，深入到情景中，能夠帶給客戶良好的體驗，也能大大促進功能的使用效率。

1）已有需求，縮短路徑

電影：用戶到電影院準備取票，打開app，首頁會展示電影取票信息和二維碼，在開場前提醒還有多久開場，影院在哪里。

外賣：定外賣后，首頁顯示外賣訂單狀態(tài)，情景感知會提醒預計還有多少時間送達。

2）潛在需求，引導激發(fā)

異地：用戶到達陌生城市，首頁展示好友去過哪些店。

到店：用戶到店后，如該商戶有服務獲交易信息，則首頁展示。

3、個性化推薦

1）算法：較常用的有協(xié)同過濾和apriori算法。

協(xié)同過濾

Base用戶：如果用戶A和用戶B相似性高，那么用戶A喜歡的很可能用戶B也喜歡。=

Base商品：根據商品眾多因子判別不同商品之間的相似性，如果用戶喜歡商品a，則將相似性較高的商品推薦給他。

apriori算法

根據商品與商品之間的關聯(lián)規(guī)則去推薦。

2）推薦所解決的問題：本質上準確度和多樣性的雙重需求。

需要解決用戶行為較少，提升推薦質量，新商品問題，長尾商品問題。（算法根據實際情況而異，比較復雜，不細說）

結合用戶（買家、賣家）分成模型和用戶畫像去搭配不同種類的推薦算法：新用戶，普通用戶，深度用戶。。。