- 你这个场景是适合协同的
- PC 场景和移动场景不同。据我所知，以前有个360的工程师和我说，他们用基础itemBasedCF，做软件推荐，效果很好。但是他们是移动APP,用户尝试新APP的成本低，也愿意尝试。而PC端一旦稳定后，理论上用户使用的软件比较固定，或者他确实有需要用某些软件，目的性会比较明确。此时，他更偏向于搜索，而不是协同推荐。 有没有统计过，你们推荐的点击率是不是大部分都来源于用户刚安装系统的时候，用户看到了推荐位的一些广告？
- 推荐的位置和时机影响也是很大的，那么有没有可能对此进行思考。
- 很多情况，如果推荐效果很低，就往往不是算法问题。而是场景问题。参考1,2,3三点
用户进入某个软件详情页，去点击下面的推荐软件，我初步想下，能有下面几个场景：
- 我准备找一些视频软件看电影，我一开始是搜索了乐视，我很容易把其他的几个视频软件也下载下来。这样才能获得一个电影‘全集’。其他软件可能也有类似需求。
- 当前页面的软件能符合我的预期，但是下面某个推荐的软件，才是我真正想要的。我只是一时忘了那个软件具体的名字。
- 假设用户当前页面是A 软件。有些软件是有某种依赖关系的，这种关系我们不知道。但是很多用户的行为体现除了这种关系。比如A软件的关联软件是B软件。 所以用户一旦安装完A软件，接着就会安装B软件。这种是相似无法覆盖的。只能用协同
- 我在安装A软件，下面别的用户下载的软件也吸引了我的注意，可能以前想装，但意愿还没有强烈到我特意去找它，今天看到它，就顺带装了
- 还有一些其他场景。
如果仅仅是用相似度，可能只符合第一个场景。而协同的话，大部分人行为可能就把这种关联关系给固化下来，通过你的协同算法发现这种规律，并且进行推荐，可以覆盖上面所有的场景。