问推荐算法发展前景以及优缺点？

推荐算法日益化，能够影响用户的长时间在产品中停留时间，带来经济效益，因此越来越多的产品或多或少都会带上推荐算法，推荐的多样性和新颖性能够使产品活跃度提高，但各种利弊也越发明显：

• 用户隐私问题：用户隐私保护是互联网中长期存在的问题，推荐算法是由用户的历史行为信息，或者用户的人口统计属性信息等等，如果不能很好保护用户隐私的产品会让用户缺少安全感，不愿提供更多的个人信息，造成无法提供有效的推荐，但隐私一旦泄露，这会对产品造成致命伤害。
• 基于内容推荐：是信息过滤技术的延续与发展，是建立在产品的内容信息上作出推荐，不需要根据用户的意见，更多的需要机器学习的方法从关于内容的特征描述的事例中得到用户喜好资料等
  • 优点：
    • 为特殊兴趣爱好的用户进行推荐
    • 通过列出推荐项目的内容特征，可以解释为什么推荐那些项目
    • 能推荐新的或不是很流行的项目，没有新项目问题。
    • 不需要其它用户的数据，没有冷开始问题和稀疏问题。
    • 已有比较好的技术，如关于分类学习方面的技术已相当成熟。
  • 缺点：是要求内容能容易抽取成有意义的特征，要求特征内容有良好的结构性，并且用户的口味必须能够用内容特征形式来表达，不能显式地得到其它用户的判断情况
• 协同过滤推荐:这种推荐是应用最早和最为成功的技术之一，采用近临技术，利用用户的历史喜好信息计算用户之间的距离，然后 利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，然后根据这些喜好程度来对用户进行推荐，最大优点就是没有特殊要求，能处理非结构化的复杂对象。
• 基于关联规则推荐:以关联规则为基础，把已购商品或者作为规则头，规则体为推荐对象。这种算法在电商，零售业中应用广泛，在一个交易数据库中统计购买的商品集A的交易中多大比例同时购买了商品集B，直观意义就是用户购买某些商品的同时多大意向去购买另外某些商品
• 基于效用推荐：建立在对用户使用项目的效用情况上计算的，其核心问题是怎么样为每一个用户去创建一个效用函数，说白了就是把供应商的可靠性和产品的可得性等可以优先推荐。
• 基于知识推荐：在某种程度是可以看成是一种推理（Inference）技术，它不是建立在用户需要和偏好基础上推荐的。
• 组合推荐：由于各种推荐方法都有优缺点，所以在实际中，组合推荐（Hybrid Recommendation）经常被采用。研究和应用最多的是内容推荐和协同过滤推荐的组合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法 去产生一个推荐预测结果，然后用某方法组合其结果。

各种推荐方法都有其各自的优点和缺点（如下图）

首先我们要看什么是假新闻：假新闻是刻意以传统新闻媒体或是社会化媒体的形式来传播的错误资讯，目的是了误导大众，带来政治及经济的利益。

对于智能推荐算法是如何筛选假新闻这个问题。我在此提一下针对如何减少假新闻的看法：

• 源头上，需要保证拥有可靠的信息源。让权威媒体获得更丰厚的收入回报，鼓励他们推出优质内容；
• 后续过程中：除了平台自查，人工干预之外，在技术上，可以尝试做这些事：

1. 在内容分析上，利用人工筛查的数据做样本，训练一些识别模型，可以把垃圾内容再细分一下，分别训练不同的识别模型，辅助人工做快速筛查；
2. 在内容抓取上，控制抓取源头的质量，避开垃圾内容的重灾区；
3. 在推荐分发上，从纯粹的数据驱动转变到数据启示，推荐算法的优化目标从单一目标转到多目标优化，除了考虑效果指标，还考虑内容多样性。
4. 在用户行为的使用上，也要有所甄别，考虑用户价值。
5. 在热门内容的使用上，有所甄别和有所克制，采用一些类别的热门内容或者采用某些优质用户圈子的热门内容，而非全局热门内容。

推荐算法已成产品推荐策略必备，不管是从个人还是到企业，大数据时代的到来，使得这些算法广泛应用。

可看看下面这个链接：智能推荐算法已经一步步应用在我们生活的方方面面了吗？