個性化推薦為什麼這麼快就蔓延開了？
這兩年里感覺新聞資訊啊音樂啊電商啊都在做個性化推薦，這個到底是從哪來到哪去怎麼蔓延到各個行業里的呢？
個性化推薦技術是最具人文關懷的技術之一，它尊重個體，相信每個人都是與眾不同的，在這個以『人』為中心的社會化時代，它的興起與發揚光大只是時間問題。
——谷文棟，個性化推薦社區Resys China發起人
個性化推薦為什麼這麼快就蔓延開了？
個性化推薦的快速蔓延，在於兩大推動力和一個基礎性條件：
- 商業界對長尾金礦的商業動力。
- 用戶強烈的個性化需求。
- 人工智慧領域技術的長期積累，取得一定成效。
一：商業界對長尾金礦的巨大商業動力
在傳統的營銷策略當中，商家主要關注在20%的商品上創造80%收益的客戶群，往往會忽略了那些在80%的商品上創造20%收益的客戶群。這就是典型的二八法則的應用，而長尾理論的提出，直接打破了傳統的二八法則，這是網路時代興起的一種新理論，最初由美國《連線》雜誌（Wired）總編輯克里斯·安德森於04年首先發表：
由於成本和效率的因素，當商品儲存流通展示的場地和渠道足夠寬廣，商品生產成本急劇下降以至於個人都可以進行生產，並且商品的銷售成本急劇降低時，幾乎任何以前看似需求極低的產品，只要有賣，都會有人買。
在互聯網環境下，由於貨架成本極端低廉，恰好符合長尾理論描述的應用場景，其中最有名的案例就是電子商務亞馬遜公司的成功，那些需求和銷量不高的冷門書產品所佔據的共同市場份額，居然可以和熱門書的市場份額相當，甚至更大。直接刺激了各大公司對長尾效應的深入挖掘，其中最著名的事件是Netflix公司06年開始的Netflix Prize演算法競賽。
Netflix是一家在線影片租賃提供商。可能你會對這個公司感到陌生，不過說到《紙牌屋》，大家就比較熟悉了，這部熱門美劇就這個公司利用大數據搞出來，該公司通過網路提供給用戶超大數量的DVD，為了能夠讓顧客快速方便的挑選自己感興趣的影片，Netflix公司將目光投向了長尾效應下的個性化推薦系統。Netflix大獎賽從2006年10月份開始，公司公開了大約1億個1－5的匿名影片評級，數據集僅包含了影片名稱。評價星級和評級日期，沒有任何文本評價的內容。比賽要求參賽者預測Netflix的客戶分別喜歡什麼影片，要把預測的效率提高10%以上。獎金高達百萬美元，所謂重賞之下必有勇夫，事實上也確實如此，這是一個學界感興趣，工業界覺得有價值，充滿人文關懷的領域。
Netflix Prize 競賽應該說是雙贏的活動。一方面，Netflix 以相對較少的成本，吸引了全球的研究者為其開發電影推薦演算法，並獲得了良好的宣傳效應。另一方面，競賽所提供的海量真實數據對於數據挖掘，知識發現，機器學習等方向的研究來說，是不可多得的珍貴數據。這也是為什麼該項比賽能夠召集數以萬記的技術人員共同解決同一個技術問題的原因。
殊為難得的是還把解決方案公布出來，這為推薦系統領域的工程人員和研究人員不同的創意提供了廣闊的實驗條件，產生非常多有價值的新方法，比如在2006年，Simon Funk在博客上公布了一個Funk-SVD演算法（Netflix Update: Try This at Home），一下子引爆了學術界對矩陣分解類方法的關注，而且，Simon Funk的博客也成為了很多學術論文引用的對象，這個方法被後來Netflix Prize的冠軍Koren稱為Latent Factor Model（簡稱LFM）。賽事中湧現出的新方法當然遠不止這一個，更有價值的事情是，很多以前只在學界，被少數專家掌握的技術細節被更為廣泛的傳播開來，將專家們解讀數據的方法，解構演算法模型的思路能夠被巨細無遺地發表出來。導致了整個推薦系統行業的跨越式發展。紮實的踐行了一番產學研一體化的巨大威力！
而在中國，也有一隻隊伍參加了NetflixPrize的推薦系統比賽，這就是中國科學院自動化研究所的項亮所在的The Ensemle團隊，他們的最後結果與最終獲獎的團隊準確率是一樣的，只是提交時間晚了一些，只能遺憾的與冠軍失之交臂。（這是Netflix Prize成績排行榜：Netflix Prize: View Leaderboard）
二：web2.0時代，用戶個性化信息獲取的迫切需求
我們所處的時代是個信息極度豐富的時代，隨著web2.0的發展，互聯網的邊界越來越廣闊，廣泛的數據分享帶來的是數據的指數級增長，從微博到微信，從豆瓣到知乎，用戶在海量的數據中想要找到他們需要的信息將變得越來越難。
網路時代以來，無數的科學家工程師提出了很多天才的解決方案，其中最具代表性的就是分類目錄的雅虎和搜索引擎的谷歌，事情的結果相信大家很清楚了，看似無所不有的雅虎最終敗給了只有網頁搜索一項核心業務的谷歌，為什麼呢？這是網際網路用戶對信息準確獲取的慾望傳遞到企業競爭層面的結果，因為信息化時代最核心的問題正是信息過載的問題，誰能更好的解決這個問題，誰就能在殘酷的市場競爭中取得不敗之地！這是信息時代的用戶最核心的需求。
傳統的搜索技術是一個相對簡單的基於關鍵詞的幫助人們找到信息的工具，雖然廣泛的被人們所使用，但搜索引擎並不能解決信息過載這一信息時代的核心問題。原因在於某些陌生領域，用戶很難用恰當的關鍵詞描述自己的需求，這就成了一個悖論：想要通過搜索引擎去了解一個陌生領域的知識，卻無法通過提供有效的關鍵詞 找到想要的東西！所以這種僅僅基於關鍵詞的信息檢索在很多情況下是不夠用的。而個性化推薦系統的出現，能夠根據用戶的歷史數據 主動推薦給用戶滿足他們興趣和需求的信息。
從當前的發展來看，誰能更完美的解決個性化信息獲取的問題，誰就有了立於不敗之地的基石。
三：技術積累的先決條件
推薦系統應該是目前互聯網世界最常見的一種智能產品形式。它的技術基礎直接源於一系列的人工智慧學科的成果。從自動推理、認知建模、機器學習、神經元網路、自然語言處理、專家系統、智能機器人等各個方面。人工智慧學科誕生於上世紀50年代，由於計算機的產生與發展，人們開始了具有真正意義的人工智慧的研究。雖然五十多年來，人工智慧學科並沒能實現人工智慧的目標，但一系列成果仍然是值得稱道的。舉個簡單的例子，其中一個分支從規則方法的思路上擺脫出來，尋求利用群體智能，其中一個方向是基於統計規律的思路（比如吳軍《數學之美》中提到的自然語言處理），而推薦系統中最古老的一個演算法：協同過濾演算法，正好是這麼個思路下的產物。
協同過濾演算法是推薦系統中應用最為廣泛的基礎性演算法，基於用戶的協同過濾演算法早在1992年就被提出來了，稱得上個性化推薦系統中的元老，項亮在《推薦系統實踐》中說到：「可以不誇張地說，這個演算法的誕生標誌了推薦系統的誕生」。該演算法最早被用於郵件系統的過濾，之後於1994年又被用於的新聞個性化推薦，直到2000年，該演算法都是推薦系統領域最著名的演算法。基於物品的協同過濾演算法誕生較晚，但應用更廣，比如我們熟悉的亞馬遜，Netflix，Hulu，Youtube等等，其推薦演算法的基礎都是基於物品的協同過濾演算法。基於用戶的協同過濾演算法推薦更社會化，基於物品的協同過濾演算法則更加個性化，能提供更好的推薦解釋。
學界對這些推薦系統領域的基礎性演算法進行了深入的研究，當然所涉及的演算法當然遠不止一種協同過濾，比如基於機器學習的隱語義模型，最早用於文本挖掘領域，在Netflix Prize之後於推薦系統領域成名。而更多的人工智慧相關領域的發展，比如07年之後人工神經網路的卷積神經網路在模式識別領域的突破性進展，貓臉識別的誇張正確率等等技術，這一系列應用中的，待應用的技術逐漸成熟，正在使得個性化推薦系統的基石愈加穩固，這是個性化推薦能夠被推廣的一些基礎條件。
最後說點題外話：
個性化推薦在中國的高速發展，大家有目共睹，這離不開谷文棟，項亮（《推薦系統實踐》作者）等等這些先行者們的積極探索和知識普及，但是總的來說個性化推薦的發展，方興未艾，許多推薦結果可能不盡如人意，還達不到很多人期待的結果，請多多包涵。我一直堅信自己從事的行業是一項有意義的事業，一件有情懷的工作，正如同谷文棟所言，個性化推薦相信每一個人都是有他獨特的價值，這項事業關注的是每一個活生生的人，尊重每一個生活的個體，而不是二八法則中那冷冰冰的數字，無情的被忽略的對象。
參考：
《數學之美》吳軍
《推薦系統實踐》項亮
……
聽說，網易雲音樂火的不得了。之前小母也沒有用過，直到有一天，小母對一首普普通通的歌曲標記了喜歡，接著推薦歌單里出現了：
《那些年，你在AcFun上追過的歌曲》，小母當時的表情是這樣的......
天吶！聽歌都會暴露自己A站基佬的屬性！後來，小母見人便說：網易大法好！
好了，這裡不是廣告，今天小母就要告訴你，現如今個性化推薦能夠發展這麼快的秘密在哪裡。
對用戶而言——如何快速獲取自己想要的信息是互聯網用戶的主要需求之一，在用戶對自己需求相對明確的時候，用搜索引擎（Google，百度等）能很方便的通過關鍵字搜索找到自己需要的信息。但在很多情況下，用戶其實並不明確自己的需要，或者他們的需求很難用簡單的關鍵字來表述。又或者他們需要更加符合他們個人口味和喜好的結果，因此出現了推薦系統（引擎）。1、實現原理和傳統模式：隨著推薦引擎的出現，用戶獲取信息的方式從簡單的目標明確的數據的搜索轉換到更高級更符合人們使用習慣的信息發現。目前大部分電子商務和社交網站的推薦引擎的工作原理還是基於物品或者用戶的相似集進行推薦。在海量物品和用戶的系統中，推薦引擎的計算量是相當大的，要實現實時的推薦務必需要建立一個推薦模型。主流模型是基於協同過濾的推薦機制。它的原理很簡單，就是根據用戶對物品或者信息的偏好，發現物品或者內容本身的相關性，或者是發現用戶的相關性，然後再基於這些關聯性進行推薦。基於協同過濾的推薦可以分為三個子類：基於用戶的推薦，基於項目的推薦和基於模型的推薦。基於用戶的協同過濾推薦的基本原理是，根據所有用戶對物品或者信息的偏好，發現與當前用戶口味和偏好相似的「鄰居」用戶群，在一般的應用中是採用計算「K- 鄰居」的演算法；然後，基於這 K 個鄰居的歷史偏好信息，為當前用戶進行推薦。理解協同過濾協同過濾是一種個性化的推薦演算法，這種推薦演算法在信息過濾和信息系統中正迅速成為一項很受歡迎的技術。
與傳統的，基於內容分析過濾的推薦不同，協同過濾分析的是用戶之間的區別與聯繫。
舉個栗子
基於內容分析的推薦：
小母喜歡歌曲A、B、C，通過分析得知A、B、C都是輕快的輕音樂，那麼系統將推薦具有類似特徵的輕音樂D給小母。
基於協同過濾的推薦：
小母喜歡歌曲A、B、C，小公喜歡歌曲A、B、C、D，那麼韓梅梅和李雷就有很大的相似性，系統將把小公喜歡的歌曲D推薦給小母。
總結說來：協同過濾分析大量用戶的興趣，在用戶群中找到與用戶A有相似（興趣）的用戶BCD，綜合相似用戶BCD對某一內容進行評價，預測A對該內容的喜愛程度，從而決定是否進行推薦。
與傳統文本過濾相比，協同過濾有下列優點:
1） 能夠過濾機器難以自動分析的信息
在大量信息的推薦中，依靠專門的人力對信息進行識別分類的成本太大，大多是依靠機器進行自動識別。對於文本信息來說，可以進行關鍵字的比對，因此機器識別是很有效的，但對於藝術品、音樂這些信息來說，機器識別就十分困難。協同過濾的方法可以將大量的用戶調動起來，幾乎零成本地運用了人力識別的方法。
2）能夠基於複雜概念（情感、品味）進行過濾
同樣，機器只能簡單判斷類別，但很難判斷情感。品味。例如在雲音樂上，我們經常看到用戶編輯的「100首最傷感歌曲」推薦，依靠機器則難以判斷歌曲情緒形成推薦。
3）能夠保證推薦的新穎性
一旦平台聚集了大量的用戶，用戶便時時刻刻在生產出新的信息，新的內容，保證了推薦內容的新穎性。
協同過濾的應用昨天小編提到了「認知盈餘」這一概念，協同過濾其實也是基於大眾的認知進行的演算法優化。每個人把自己的知識公開、貢獻出來，便成為了可以改造推薦系統的巨大力量。
同樣利用協同過濾推薦的還有很多電子商務系統，最著名的電子商務推薦系統應屬亞馬遜書店。
顧客在亞馬遜中選擇一本自己感興趣的書籍，則會得到「喜歡此商品的顧客同時也購買」的推薦，小編搜索了昨天我們說的《認知盈餘》這本書，然後得到了類似的推薦結果，就像這樣：
這些推薦同樣都是講解社會網路，人類知識、行為之間的互相影響的書籍，小編表示，真的很符合我的愛好呀~
對於互聯網從業人士來說，協同過濾作為一種新的技術手段，帶來的遠遠不是推薦準確度提高這麼簡單的改變。它告訴我們：用戶的力量是無限大的。
開發、技術和數據分析人員可以考慮這種方式怎麼提供更高質量的服務。而產品人員可以更深入的考慮怎樣利用用戶生產出高質量的信息，從而更好地提升產品的品質。
推薦當然自古以來就有呀。
1. 最早的推薦：Yahoo!等門戶 那個時候互聯網剛剛起步，大家根本不知道該去哪看什麼。於是yahoo說，我們的編輯團隊給你推薦，這個網站好，你看這個。門戶的推薦，現在仍然是很多人發現內容的方式。
2. 關鍵字內容推薦：google等搜索引擎 這時候互聯網內容已經要爆炸了，人們希望找到自己關心的內容，於是搜索引擎成了相關主題的最好網頁的推薦。
3. 熱榜推薦：論壇熱門/各類排行榜 後來論壇出現了，帖子亂七八糟，有些人上來只是想看看最近大家都在討論啥，於是論壇把每天的熱帖放在一起搞個榜單，按照熱度推薦給用戶。這個在傳統行業中經常見到
4. 個性化搜索引擎：搜索引擎做到後來就發現，每個人對同一個主題的需求不同，於是搜索引擎儘可能的根據每個人的搜索記錄，來判斷這個人關心這個詞的哪個方面。
5. 電商個性化推薦：這個應該是亞馬遜把它搞出名了，亞馬遜根據歷史瀏覽記錄和購買記錄以及用戶的評論來對用戶進行推薦。
6. 電台個性化推薦：這多虧last.fm把這事搞出名了，基於用戶點贊的歌曲來推薦喜歡的歌曲，這個在國內後來的網路電台都採用了類似的方法
7. 廣告個性化推薦：這個最早聽說是google的廣告產品，根據用戶的歷史數據，在各種接入google廣告位的地方為用戶推薦商品。
8. 新聞個性化推薦：這與移動端的崛起有關，出現一大批網路雜誌，與門戶大而全不同，網路雜誌希望給用戶推薦用戶關注的新聞。
9. 社交網路推薦：社交網路發展起來發現好友新鮮事太多了，於是根據用戶的互動，給用戶推薦用戶想看的內容。相信大家都對微博的推薦吐槽致死了。知乎也屬於此。
伴隨著技術的發展，早期的推薦每個人都一樣，逐漸發展為對每個人都不一樣，目的都是為了提升用戶體驗，提升轉化率。現在互聯網的大部分產品都在做個性化推薦這件事，為了提高用戶在產品的停留時間，提高產品的點擊率，通過對用戶行為數據進行分析，描繪清晰的產品定位和用戶畫像，結合產品進行個性化內容推薦。個性化推薦，是將平台沉澱的碎片化信息，進行再分類，過濾再組織定向輸出。
構建情感紐帶，這產品"懂我"
產品對用戶的吸引力都是有差異的，所謂的"高質量"和"低質量"是主觀性的，評價的評判標準是評判者的自身感受。對於內容的質量沒有絕對的衡量標準。產品如果符合某一類特徵用戶的需求，那麼這種產品註定不會符合另一類用戶的需求。要想對所有人有吸引力，就需要對每個人進行細分。
網易雲音樂，在比較晚進入巨頭林立的音樂市場，憑藉好的口碑站穩了市場，不僅僅是依靠優異的用戶體驗和音樂評論社區，有個比較大的原因是它的音樂個性化推薦演算法。用過網易雲音樂一段時間的用戶，都會覺得這產品"懂我"。大部分音樂類app，都在做推薦，但是有些會給用戶感覺推薦口味越來越窄，品味趨同。網易音樂在基於用戶UGC歌單、推薦演算法、用戶關注、社區這幾大模塊發現適合用戶口味的更多歌曲，擴大用戶的喜好範圍，不斷可以聽到新鮮的歌曲。同時推薦出來的高端小眾的音樂還能滿足用戶追求新鮮、逼格、炫耀的心理，分享量也大大增加了。喚起用戶在產品上的情感反應，情感方面的"懂我"，這種關聯會增加用戶對產品的依賴和認同。
長尾效應中的過濾器法則
音樂類產品的資源曲庫中 80% 都是冷門小眾，聽眾比較少的歌曲。如何推薦給更多的用戶？如果將這部分歌曲摻入個性化推薦先推給 20% 定位高端、用戶粘度高的音樂愛好者，利用這些品味比較高的用戶的收藏、推薦行為過濾出優質歌曲，再將這部分偏小眾的歌曲推薦給 80% 的普通大眾，發揮長尾效應的尾部效應，對消費者的吸引力會大大提高。
個性化推薦，可以幫助用戶在長尾中找到合適的產品，把最適合的服務呈現在眼前。《長尾效應》一書中，作者是這樣描述這種過濾器法則的：
在當今的長尾市場中，過濾器的主要作用在於一種轉變：幫助人們沿著一條既舒服又符合個人品味的道路從已知世界（大熱門）走向未知世界（利基產品）。從某種意義上說，好的過濾器有推動需求向尾部移動的作用，它們可以發現新的產品和服務，而這些新事物比傳統大規模傳播渠道中的那些千篇一律的東西更有吸引力。
互聯網的產品未來不在於傳統需求曲線上那個代表"暢銷商品"覆蓋 20% 高端用戶的頭部，而是那條代表 "冷門商品" 的經常被人們遺忘的覆蓋 80% 用戶的尾部。
基於大數據的不同維度個性化推薦
電商類導購，可以基於傳統的購物行為數據，向社區化、內容化、本地化服務發展做個性化推薦。用戶的購物行為數據背後的用戶畫像，可以引導用戶在購物的基礎上做社交的行為。比如對數碼感興趣的用戶，可以推薦去數碼的社區做互動，在消費商品的同時消費內容，內容當中也含著各種商品元素，這樣消費內容的過程能夠充滿互動和傳播的樂趣。
推薦行為也可以基於不同維度做多元化渠道推薦。出行市場，滴滴依託大數據，在打車需求外推出基於大數據驅動的電商模式。滴滴將根據用戶的歷史出行習慣與消費水平，聯合汽車經銷商、媒體、車主及用戶等各界合作夥伴，定向推送試乘試駕服務，並根據其體驗對潛在購車人群與區域市場情況進行分析，實現交易預測。實現對有需求潛在用戶的直接觸達，提升意向群體的購買轉化率。
用戶在一個產品的單一操作行為數據，不足以準確判斷用戶的具體喜好。從不同維護做推薦，數據方面可以提煉來自不同應用相關性的數據，比如阿里做本地生活，可以分析用戶的天貓淘寶電商消費，支付寶的支付行為數據，uc瀏覽內容，高德地圖出行數據等，多維度綜合分析。
不打破體驗的平衡下，與商業的結合
微信背靠龐大的用戶群體，在流量變現上個性化推薦成了一個突破的點。在商業廣告上的探索上權衡了部分用戶體驗，推出朋友圈廣告。基於用戶分析的廣告推送機制，避免給用戶帶來過度干擾的基礎，又有社交互動成分。對於用戶來說，推送"我感興趣"的廣告，並且廣告的內容提供了有用信息，從中可以獲得一些價值，更容易獲得用戶對帶來打擾的包容。
個性化推薦都是在試圖滿足用戶的期望，所以產品需要具備高質量的用戶識別能力。在個性化推薦的基礎上可以嘗試給用戶提供一些非行為數據分析出來的用戶可能喜歡的內容，要不然當社交網站上推薦給你看的頭條都是自己喜歡的，看不到自己可能會喜歡的也是挺可怕的一件事情。現在淘寶、天貓的推薦演算法做的很優秀，但是還是可以看到首頁有時候推薦給你的都是你自己之前買過或者搜索過的產品。產品還需要提高用戶特徵分析能力，讓用戶最終都能成為產品的忠實粉絲，並以此感染他周圍的人，幫助產品快速傳播。
只是一些個人的見解和感想，有興趣可以一起討論，也歡迎關注專欄 https://zhuanlan.zhihu.com/p/21707585?refer=hunter
並不喜歡個性化推薦，起碼是目前的個性化推薦。
每次逛淘寶都是推薦自己曾經看過的類似內容
每次看視頻都是推薦自己曾經看過類似的內容
每次聽音樂都是推薦自己曾經聽過類似的內容
……真無聊～說點離題的
我在淘寶上買了個行車記錄儀 然後首頁上推薦的算是行車記錄儀了問題是我已經買了啊 大哥╮(╯_╰)╭出於用戶需求：
當今互聯網各種內容信息基本是過載的，個性化推薦可以讓用戶更快地獲取到喜歡的內容。出於產品層考慮：解決用戶的需求不就是一件要做的事？而且能把內容展示的有效性提高，轉化率提升。單次的展示效率更有效甚至值錢。這是一種雙贏的事情，所以流行。現在消費者的主動性越來越強，以往的強制性的、被動的投放廣告已經不再能適應現在的趨勢。從消費者的角度換位思考，根據他平常的上網習慣，搜索頻率，興趣愛好勾勒出相對準確的人群畫像，然後給對的人傳達對的信息，既能提高產品的轉化率，對消費者來說也省去了自己搜索的麻煩，是一個雙贏的事情。
轉化率！理想狀態的個性話推薦推的都是個體想要的內容，轉化率不是那些熱門推薦可以比擬的。但是個性化推薦的關鍵在準確率上，想要做到大部分人大部分時候都推的准，不是很容易，而是非常不容易。
說句可能會被噴的，也是一家之見。目前99%的個性化推薦都不是個性化推薦，或者不夠個性化推薦。為什麼？什麼是個性，個性本身就意味著一些長尾需求，長尾的特徵哪是這麼容易挖掘的啊。
個性化推薦不能照搬照抄的盲目使用，淘寶的個性化推薦會將用戶已經買過的東西進行二次推薦，是一種無效的推薦，視頻內容的推薦沒有將用戶已經看過的類似內容做無效的過濾，也是一種推薦的浪費，QQ音樂每天的推薦歌曲都是我曾經聽過的啊~也是好無奈！
數據上能提升各個核心指標，就是能多賺錢，絕大多數情況下是又提高用戶體驗又多賺錢，當然會蔓延
借題再問個問題，微信公眾號為啥沒推薦系統？
簡單形象的說，之前的技術一直解決的是吃大鍋飯的事情。個性化解決的是開小灶的事情。專業來講就是解決長尾問題。這是現階段無論是需求層面，還是技術層面的大趨勢。以上
任何人為事物，都是人類慾望的延伸。個性化推薦更能夠引起用戶的關注，從而激發購買慾，所以，它的出現是必然的！而它的發展，從商業文明發展起就出現了，舉個最簡單的例子：一個人去服裝店買衣服，售貨員會根據人物形象推薦產品。這就是最基礎的，人工個性化推薦（例子好像不太貼切哈）！
不管音樂，資訊還是其他什麼，從來都沒對過，除了google noe偶爾的新聞，真是我想看的，就是慢了點，有些我都在RSS里看了，而且新聞看不看沒什麼重要
推薦閱讀：
※有沒有類似剪報功能的軟體，最好是iPad能用的，windows下的也可以？
※三星手機很卡幾乎人盡皆知，三星公司為什麼無動於衷呢？小米魅族等可以把系統做的非常流暢，三星為什麼不行？
※有哪些推薦兒童App的網站？最好是ios的？
※有什麼百玩不厭的APP遊戲么？
※有沒有平台介紹Windows優質軟體？
TAG:Netflix | 應用程序Application | 推薦系統 | 個性化推薦 | 互聯網行業 |