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撵术，需要基于一定的基礎(chǔ)之后再做背率。
1、即時推薦
用戶多次瀏覽了一家星巴克多次嫩与，在下一次用戶定位在星巴克附近的時候寝姿，直接將POI展現(xiàn)在首頁，直接命中用戶的需求划滋。
2饵筑、精準展現(xiàn)
情景感知：場景化的猜你喜歡，基于特定的時間处坪、地點根资、行為架专，去精準觸達用戶的需求，深入到情景中嫂冻，能夠帶給客戶良好的體驗胶征，也能大大促進功能的使用效率塞椎。
1）已有需求桨仿，縮短路徑
電影：用戶到電影院準備取票，打開app案狠，首頁會展示電影取票信息和二維碼服傍，在開場前提醒還有多久開場，影院在哪里骂铁。
外賣：定外賣后吹零，首頁顯示外賣訂單狀態(tài)，情景感知會提醒預(yù)計還有多少時間送達拉庵。
2）潛在需求灿椅，引導(dǎo)激發(fā)
異地：用戶到達陌生城市，首頁展示好友去過哪些店钞支。
到店：用戶到店后茫蛹，如該商戶有服務(wù)獲交易信息，則首頁展示烁挟。
3婴洼、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相似性高撼嗓，那么用戶A喜歡的很可能用戶B也喜歡柬采。=
Base商品：根據(jù)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且警，則將相似性較高的商品推薦給他粉捻。
apriori算法
根據(jù)商品與商品之間的關(guān)聯(lián)規(guī)則去推薦。
2）推薦所解決的問題：本質(zhì)上準確度和多樣性的雙重需求斑芜。
需要解決用戶行為較少杀迹，提升推薦質(zhì)量，新商品問題押搪，長尾商品問題树酪。（算法根據(jù)實際情況而異，比較復(fù)雜大州，不細說）
結(jié)合用戶（買家续语、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，普通用戶厦画，深度用戶疮茄。滥朱。。
