目前市场上的资讯推荐产品
以资讯特征、用户特征、环境特征三点作为推荐的基础，将用户感兴趣的咨询从海量的资讯库中精准推荐给用户，形式化的描述即Y=F（资讯特征，用户特征，环境特征）。加上推荐算法及推荐效果评估分析平台，构成一整个资讯推荐系统。
1. 咨询特征
从内容的角度出发，量化咨询的各种特性，将海量资讯进行分类信息处理，以供系统进行分发：但是存在两个问题，一是状态可能不确定，无法通过明确的分类将事情细化。而标签的出现解决了了分类不能解决的问题，通过大量有规则的标签，可以细化内容。文本标签在用户推荐系统中的功能主要有三点，即用户信息建模，关心内容的推荐，生成频道内容
要做到用规则化的标签准确的将资讯内容进行信息描述，需要做如下工作：
1.语义标签分层/分类：将资讯段落进行分词操作，语义标签的效果是需要依靠公司强大的NLP技术，典型的层次化文本分类算法有SVM、SVM+CNN、SVM+CNN+RNN。
2.实体词的识别：将资讯段落中获取的词，进行识别，抽取候选词，取其中有价值的词，计算其相关性。其中相关性高的词即可以很好的表示该篇资讯或资讯段落的特征。
3.关键词体系的构建：根据业务需要及其他规则，建立符合需求的关键词体系。一般关键词层次可划分为四级：根层（root）、频道层（如财经、体育、游戏）、主题（如财经下可分为A股、港股、美股、基金等）、标签词（如基金下，有博时基金、基金分红等词）。关键词层级的划分很好的解决了标签覆盖度不足及误标注（如汽车新闻中出现王者荣耀，大概率是误标注）问题。
2. 用户特征
用户特征是从用户的角度出发，通过不同维度出发构建用户画像。即通过规则化的用户标签去描述用户的特征，用户标签体系整体称为用户画像。用户标签一般是从用户兴趣特征、身份特征、行为特征进行划分。兴趣特征即用户感兴趣的主题，关键词，垂直领域（如某个用户喜欢打篮球、炒股票，则对应打上体育、篮球、财经、股票等主题及标签词）；身份特征即用户的性别、年龄、职业、常驻地点等；行为特征则描述用户在特定场景下会干什么事情，比如小明喜欢晚上8点开始看电视，10点结束看电视。
通过将用户的兴趣、身份、行为记录下来，作为用户推荐的真实依据。构建一个准确完善的用户标签系统，可以大大提升资讯推荐的准确性。
3. 环境特征
环境特征描述的是在不同的大环境下，增加顺应环境的推荐内容。如在周末，可以推荐更多的轻松娱乐的资讯内容；股票牛市时，推荐更多的投资类资讯等等。更细化一层，在app判定出你在旅游时（离开常驻地点），可以推荐旅游及旅游目的地攻略的资讯。
常用的推荐算法
4. 常用的推荐算法
1.基于人口统计学的推荐
简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。
2.基于内容的推荐
与上面的方法相类似，只不过这次的中心转到了物品本身。使用物品本身的相似度而不是用户的相似度。
3.协同过滤
基于用户的协同过滤——基于人口统计学的推荐
基于物品的协同过滤——基于内容的推荐
4.混合推荐算法
可以看出，每个方法都不是完美的。因此实际应用中，推荐协同都是混合使用各种推荐算法，各取所长。
5. 推荐效果评估
针对于推荐效果的评估是推荐系统中相当重要的一块，通过不断的量化推荐效果，可以不断改善推荐策略的合理性。
衡量推荐准确性的数据指标：
1.正确率 = 提取出的正确信息条数 / 提取出的信息条数；
2.召回率 = 提取出的正确信息条数 / 样本中正确的信息条数；
3.F值（综合评价指标，为正确率和召回率的调和平均值）= 正确率 * 召回率 * 2 / (正确率 + 召回率)
举例：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。
那么，这些指标分别如下：正确率 = 700 / (700 + 200 + 100) = 70% 召回率 = 700 / 1400 = 50% F值 = 70% * 50% * 2 / (70% + 50%) = 58.3%。