个性化是当前的趋势，无论是电商、虚拟助手还是小视频，推荐算法是向用户展示个性化产品和服务的媒介，在推荐算法背后其实是由人工智能（AI）来控制的。
当今主流的推荐算法其原理是从社交媒体、网站、电子商务门户、应用程序和其他渠道中提取用户数据，并使用这类数据训练具备机器学习能力的人工智能（AI）。
接下来，带来5种常见的机器学习推荐算法：
1、协同过滤
协同过滤（CF）是最古老的推荐技术之一，可以将具有相似兴趣的用户与个性化物品、人物、信息流等进行匹配。简单地说，协同过滤（CF）是“购买此商品的客户也购买了”类型的推荐器。它的工作原理是今天购买类似产品的用户会更愿意购买更多此类产品。
2、基于内容的过滤
第二个推荐算法是基于内容的过滤将购买的商品作为输入数据来推荐相似的商品。在基于内容的过滤下，推荐给每个特定用户，因此可以扩展到庞大的用户群。
此类推荐通常在电子商务门户网站、小视频和数字图书馆的等产品中能够发现。
3、个性化视频排名
Personalized Video Ranker (PVR) 算法源于对OTT（Over-the-top）服务确定用户偏好的迫切需求。
以下以网飞（Netflix）为例，数字内容生产和需求的异常繁荣促使Netflix开发了一个非常独特和有效的推荐系统。
监督和无监督机器学习算法使Netflix能够在个性化和非个性化内容推荐之间取得适当的平衡。
PVR算法以个性化的方式为每个用户从整个数据库目录中获取最佳匹配，它将个性化过滤与排名最高的网络系列相结合。
4、深度神经网络
通过深度神经网络来分析每个用户的历史记录，包括点赞、评论和最常消费的数字内容等。以精确和相关性预测未来用户偏好。再加上排名算法，为每个内容提取更丰富的特征来对推荐并进行排名。
5、基于知识的推荐系统
基于知识由丰富多样、高速变化的数据集支持。通过解码数据意图、上下文来捕获后端中数字存储的知识，以匹配特定的用户查询。
这种带有机器学习能力的推荐系统可以大大增加其在垂直领域的知识量。而这种基于知识的推荐算法的独特之处在于它可以不断改进。
