前推薦時代

在產品的初期，通過冷啟動進行推薦。這時的推薦功能簡單，一般是全域性推薦，推薦服務邏輯較輕，沒有個性化千人一面，從而容易引起馬太效應。推薦策略一般由人工定義或人為定製策略，通常使用實時熱點的內容，利用自然排名（熱快全等等維度、排序因子計算多重維度綜合指數）規則排序進行展示。這個階段引入的機器學習也較為簡單，通常使用單機訓練，來預估條目轉化情況，再由人工介入設定整體排序策略。

為了減輕帶來的負面影響--馬太效應，開始了多種的嘗試：

• 隨機因子

　　　　補償不利位置：比如按一定比例插入排序靠後的商品，或者定期將位置靠前的商品直接降權（半衰期概念）。

• 繼承與清零

　　　　通過文字演算法，建立條目之間的相似性，對新條目得分進行預測（得分具有時效性）。

　　　　建立更短的時間視窗。MAB演算法

　　　　公平曝光機會，按天或小時，綜合考察商品能力，即活動的賽馬機制。

• Reddit，Ranking演算法

個性化推薦時代

推薦系統慢慢由非個性化進步至個性化階段。

在非個性化時代，推薦的條目是由爆款熱門、相關條目豐富擴充套件、高性價比條目等等組成。而個性化可以通過畫像類、知識類、協調過濾等方法實現。

• 畫像類：比如性別、偏好類目、偏好品牌等等從基礎資料或行為資料中挖掘出的使用者類標籤構成。
• 知識類：如專家知識類
• 協同過濾內容演算法：實時U2I、歷史U2I、偏好U2I