抖音的视频信息流，也是根据协同过滤算法去推送的吗？抖音刷久了也反馈了足够多的行为数据，算法就会给人打造一套量身定做的信息茧房。之前看过极客时间上的《推荐系统三十六式》，也有介绍推荐算法，但是公式太多不适合小白学习，用来开拓眼界即可。 我认为在获取信息时，应该扩大自己的信息源，寻找与自己不同的观点，或者自己正常情况下没机会接触的事物。但这又涉及到获取信息的效率问题，需要取舍。

理解算法背后的实现原理以及优缺点，能让我们不被算法所支配，我们的人生应该有自己的规划，而不应该全靠推荐算法来消耗我们时间

老师，之前在关联规则里也有说亚马逊的网上商城使用了关联规则挖掘。能说一下，协同过滤与关联挖掘在实际场景中是如何搭配使用的吗？

被“溺爱”也是一种奴役。系统通过各种协同过滤算法宠爱人类，人类也还是要保留自己的思考。

协同过滤算法，就好像我们选择团队比较合适的代码框架，往往选的是大多数人熟悉的，而不是新颖独特的。 不过，协同的弊病是导致过分同类化，让人更容易缺乏尝试新鲜事物，扩展性确实不太好。进而，热门的事物持续热门，冷的造致爆冷，这就有点像有些优秀的作品不被大多数人看见~

技术改变我们的生活，带来更多的便利。但是不能主导我们的生活。我们应该把多一点碎片化的时间用来学习，学习这些技术的本质。

基于物品和基于用户的协同算法本质上是一类算法

随处可见，我刚搜索一件商品，浏览器，微信，抖音相关广告马上就出现了。我想这个算法可以应用到学生选课当中，选了一门课，基于课程进行协同过滤。

其实感觉基于用户的协同过滤和基于物品的协同过滤是类似的，本质上用的都是用户和物品之间的交互数据，达到用户和物品的匹配。这个匹配的过程就是计算相似度的过程，前者计算的是用户的相似度，用户体量大，计算量大，但是会推给你一些你不知道但和你类似的人喜欢的物品，有惊喜但准确度不高，有时候无法解释，因为推给你的是和你相似的一群人而非你自己。后者是计算物品的相似度，物品体量相对小，计算效率高，是基于你自己历史的行为推荐类似的产品，推荐更准确，更可解释，但一个全新的产品如果不能和用户交互，没有任何数据，很容易成为死角，需要引导。 这些理论说的很清晰，如果在通过里一个例子把两种方法算一遍就更好了！