1.4　推荐算法的概况

相较自然语言处理或者计算机视觉而言，推荐算法是最灵活且范围极大的。灵活是在于所有的数学技巧都能应用于推荐算法。范围极大在于推荐本质上是预测，而所有机器学习算法任务本质上其实都是预测。例如自然语言处理中的文本分类任务是预测文本属于哪一个分类，其实完全可以理解成给文本推荐一个最合适的分类任务。人脸识别任务可以理解为给一个人脸的图推荐一个最匹配的人。

是的，若以算法角度去理解推荐，则不需要仅仅理解成给用户推荐产品。仅需理解成给A预测最匹配的B，但是推荐算法灵活及范围大的特点使推荐算法派系众多，并且如今在深度学习大环境下的推荐算法领域可谓百家争鸣，各大公司及大学每年都会发布新型的算法模型。眼下正是本领域的上升期，并且目前并没有一个最“正确”的万金油推荐算法，只有从客观环境出发最“合适”的推荐算法。对于人才的需求要有自己的知识体系，算法思路清晰。

本书会将众多推荐算法分门别类，接下来的第2～5章会由浅入深地梳理脉络。图1-1展示了推荐算法的初步分类。

图1-1　推荐算法的初步分类

具体每个类别会在对应章节中详细介绍，第2章介绍基础推荐算法，第3章介绍进阶推荐算法，第4章介绍高阶推荐算法中的图神经网络推荐算法。第5章介绍知识图谱推荐算法。这些推荐算法从效果来讲并没有高下之分，本书将其分类为高阶或基础是根据算法模型的自身的前置知识而言。

学习这些算法最重要的是从中学习推荐算法推演的方法，而非在遇到具体场景后依样画葫芦地直接照搬某个算法。