依据用户历史的行为数据推荐他平常喜欢看的内容

简而言之，依据用户历史的行为数据推荐他平常喜欢看的内容。

还是拿前面说过的：为喜剧电影偏好者推荐喜剧电影。所以我们可以制定量化规则。

如：我们统计了该用户过去的观影数据，其中观看【喜剧片】10次，【悬疑片】5次，【战争片】4次，【爱情片】1次，那么加起来合计观影次数=10+5+4+1=20次，其中按照比例计算分别占比：50%、25%、20%、5%。

那么我们通过现有的数据可以观察到，该用户的仅有数据中显示其对【喜剧片】和【悬疑片】较为有兴趣（这里我们定义从历史数据中取Top2，【喜剧】和【悬疑】符合我们自定规则），于是当用户下次开机时，我们有了在首页为用户推荐一定数量的【喜剧片】和【悬疑片】的依据。上述，大概是简单的用户偏好推荐算法。

协同过滤推荐

这里我就不献丑了。这种推荐算法比较经典，也是业界常用的推荐算法。比较典型的案例是：啤酒和尿布。超市人员发现购买啤酒的用户同时也购买了尿布。于是这个故事可以写成：买尿布的家庭中有婴儿，母亲照顾婴儿，父亲去超市买尿布同时也买啤酒。

明星偏好推荐

这里同上述第一项相似，就不再赘述了。主要目的有两个，一个是筛选出近期比较热的明星，推荐他的内容；另一部分是按照用户对明星的偏好，推荐用户偏好的明星的内容。

通过上述的推荐算法的规则的建立，结合已知的数据，我们似乎可以为单个用户做个性化推荐了。下图所示，但这里只是整个系统的一部分。

3）推荐结果的过滤和排序

完成了前面的内容后，理论上我们可以做出一个较为简单的推荐系统。但是在实际业务中还会牵涉到两项比较重要的工作需要完成：过滤和排序。

① 推荐结果的过滤

这里的过滤：主要是针对媒资库中剔除不符合业务规则的媒资的过程。而不符合业务规则需要依据实际的业务来确定，常见的不符合规则的类型有如下：

1. 被加入黑名单的媒资内容：加入黑名单后将不再呈现在用户视野中，故而需要过滤掉。
2. 媒资版权过期：媒资库中过滤掉版权过期的内容。
3. 话题敏感的媒资内容：某些时间段或特殊事件引发的敏感内容“下架”。
4. 排重过滤：这里的排重过滤也有多种形式，常见的是：推荐系统在最近的一段时间段为用户推荐过某电影，但是用户并没有播放，可能是用户对该项推荐不感兴趣。当推荐次数积累到一定程度时，系统将自动过滤该媒资。
5. 其他：这里的过滤条件可能会有多种，主要源自于业务需求，故而不再一一列举。下面的流程图中是实际业务中需要进行过滤的选项。

② 推荐结果的排序

通过上述过滤，推荐结果的媒资集合已经被清理了一轮。但集合中剩余的内容并不是所有的媒资都需要呈现给用户。用户的视野是有限的，推荐位的数量也是有限的，所以我们应该从这个集合中再次筛选出比较“易产生兴趣”的内容，进而提升用户可能对推荐内容产生的兴趣。

排序的方式有多种，这里只列举了一部分并且是单一的排序方式。也可以通过算法规则进行综合排序等，这里只讨论单一排序。排序方式包括：

1. 热度排序：媒资集合中所有的媒资按照热度来排序；
2. 评分排序：按照评分大小来排序；
3. 上线时间排序：按照上线的时间远近来排序；
4. 其他。