首先我们要明白，系统推荐不仅仅依靠算法，还要依靠大数据，其实数据比算法的作用还要大。
想弄明白这个问题，首先我们要了解一下推荐原理：
-
当我们第一次使用系统，系统是不知道我们究竟喜欢哪种类型作品的。这个时候系统就会随机推送几个热门的作品，每个作品都是不同领域，这个过程也叫做“盲推”。
-
之后系统再根据你对每个领域作品的反馈情况来给你的账号打上“标签”，具体通过你对每个领域的点击率、点赞率、评论率、阅读时常、以及转发率等等多个纬度共同打分，然后系统再取一个平均分作为你对这个领域的喜爱程度。
-
之后每次都会优先推荐你喜爱的领域，喜爱的作品类型。然后每次推荐之后，再对你的反馈情况给每个领域、每种类型的作品打分，这个过程是一直优化的，最后逐渐趋于平稳。
弄懂了系统的推荐算法之后，我们来聊聊为什么有时候推荐并不能令人满意？
1.作品在推荐给用户之前，会先推荐一小部分人来测试，然后通过这一小部分的人的反馈情况，再给这个作品贴上一定的标签，这个过程可能就存在一定的误差。一旦作品被贴错标签，那么之后作品再推荐给其他用户就会不精准，进而不被喜欢。
2.系统一旦发现你喜欢某个领域，就会频繁的给你推送相关的内容，即使已经厌烦，点了无数次“不喜欢”，也可能继续推送相关内容。
3.系统每次推送之后，对用户也会打“标签”，这个时候也可能存在误差。如果错打标签，那之后就会推荐给你不喜欢的领域。
总之，现在的推荐算法还不够成熟，虽然加入了AI学习，但依然无法做到真正的“人工智能”。而且在大数据统计的时候，有时候会存在偏差，这也是导致无法精确投放内容的一个原因。
