举个例子就明白了。 Nike 公司想在网上打广告推出自己的一款新鞋子，目标客户是20岁左右的男性大学生。推广过程包含4个方面：
1. 确认推广渠道： 确定男大学生喜欢上的网页 比如：新浪体育，人人网，还有一些小型的论坛。
2. 确认目标客户属性：男性20岁大学生
3. 制作推广材料：广告banner
4. 购买广告位置

  • 对于新浪体育而言，他家网页有很多可以打广告的位置，一个一个去卖太麻烦了，他们就将这些广告位统一放入了Ad Exchange平台（相当于在卖广告位的”菜市场“里面摆了个摊位），通过SSP对菜市场里面摆放的广告位进行布局管理，更好的将“菜=广告位置”卖出去，所以叫SSP（Sell-side Platform销售方平台）。
  • 对于Nike而言，他们通过DSP来到这个菜市场（Ad Exchange），RTB帮助他们计算怎么在有限的预算下买更多更符合推广要求的菜。所以DSP是想打广告的，对广告位置有购买需求的公司使用的，叫（Demand-side Platform需求方平台）。
  • “菜”在这里就是指符合“男性20岁大学生”条件的cookie，每个人浏览网页的历史都会被电脑记录下来，形成cookie。由于cookie是匿名的（不记录浏览者的个人信息）所以有第三方的一些数据公司将cookie导入自己的系统里面分析，匹配上系统里面已知的个人信息如性别，地理位置，年龄等后，再将这个cookie导入到这个菜市场（Ad Exchange），相当于给每种菜都放了一个介绍在旁边（山西大白菜），这些公司被称为Data supplier。
  • 这种购买的行为是每分每秒钟都在发生的，当一个符合条件的“男性20岁大学生”准备打开网页A时，cookie就被放在了菜市场，Nike看到后即可后买，然后将制作好的广告banner展现在这个网页上，整个过程大约需要0.4秒，所以浏览者是完全感受不到的。与此同时又有无数个符合条件的cookie在浏览无数个网页，所以需要实时竞标，即让电脑自动帮你买入需要的“菜”，，从而产生了RTB（Real-time bidding），一般说来RTB仅仅是DSP平台的一个功能。





 电商商品：基于项目的协同过滤算法。---->基于内容的推荐算法


 新闻网站：基于用户的协同过滤算法。--->基于人口统计学的推荐算法




推荐算法：比上两种的统计学算法，也是从上面衍生过来的。


关于相似度的计算：现有的几种基本方法都是基于向量（Vector），其实也就是计算两个向量的距离，距离越近相似度越大。




集中推荐架构：