1. 個性化推薦演算法
隨著演算法的普及，大量的產品有了個性化推薦的功能，這也成為內容類產品的標配。個性化定製化逐漸成為了互聯網思維的新補充，被提升到了越來越重要的地位。演算法推薦經過了很長一段時間的發展，才逐漸達到能給用戶驚喜的階段。比如在電商領域，推薦演算法可以挖掘用戶潛在購買需求，縮短用戶選取商品的時間，提升用戶的購物體驗；在新聞或段視頻領域，推薦演算法可以推送用戶喜歡的內容，提高用戶的閱讀效率，減少用戶選擇內容的時間，也增加了用戶在產品上的停留時長。
演算法應用階段
內容類產品發展初期，推薦演算法一般為「熱度演算法」，就是系統把熱點內容優先推薦送給用戶，完成熱點內容的高閱讀率。在積累了一定的用戶數據後，會發現用戶閱讀內容過於集中於熱點信息，長尾信息中的優質資源往往被忽略，造成資源浪費。「千人一面」的狀況已不是一個優質的解決方案，所以演算法逐漸演變為「個性化推薦」，也就是協同過濾的方法論支撐下的一種演算法。協同過濾能很好的根據用戶的喜好，推薦匹配的內容，減少資源浪費，增加用戶使用的友好體驗。真正做到「千人千面」。
推薦演算法的信息來源
第三方數據
一個新系統在初期沒有數據積累的情況下，可與第三方合作，互授部分信息共享。比如，很多系統支持微信登陸，這時候可以獲取客戶的微信信息，生活地點，部分生活習慣等。同時會獲取用戶的社交信息，共同好友越多表明圈子越相似，可以推薦更多相似的內容。
用戶行為數據
記錄用戶在系統內的使用習慣，可以准確的描述單個用戶的行為特徵，愛好特徵等有效的信息，系統根據提取出的分析結果，將內容與之匹配，完成更精準的推薦。如，某用戶經常瀏覽體育信息，系統將對應推薦更多體育相關的咨詢，省去用戶搜索篩選的時間。
基於生活習慣
基於生活習慣，生活常識的推薦，往往也可以作為內置的一個信息來源途徑。比如，外賣的app推薦用戶的餐廳，一般默認是位置優先，就近推薦，如果是快中午的時間段使用，系統默認推薦午餐，其次是晚餐。靠生活常識作出的系統演算法，可以更符合人類的習慣，給用戶更好的體驗。
熱度演算法
熱度演算法簡單的說就是把最核心的內容優先推薦，用新聞舉例，每一條新聞都具有實效性，隨著時間的推移，該條新聞的關注度降低，關注點被新的熱點新聞取代。量化以上的過程，把各個影響因素設定為變數，會得出以下的公式：
新聞熱度=初始熱度分+用戶交互熱度分-衰減熱度分
初始熱度分為新聞產生時，系統對新聞主體的預判熱度值。預判的分值一般為以下兩種模式，一種情況，按照新聞類別的不同，娛樂新聞大於財經新聞，大於國際新聞，大於文化新聞等等系統的預設，依次給出不同的初始熱度分；另一種情況，系統預置熱詞詞庫，用新聞的關鍵詞和詞庫的去匹配，匹配度高的，初始熱度分高。
用戶的交互熱度分也是一個變數，先要明確用的哪些行為會影響新聞熱度，然後對這些行為量化，加權或打分等方式。例如，網易雲音樂，用戶的聽歌，重復循環，收藏，評論，分享等行為，系統為每一種行為打分，求和後得出用戶交互的熱度分：
用戶交互熱度分=聽歌X10+循環X5+收藏X10+評論X5+分享X3
此公式還可以繼續細化，每一種操作的分值也可以作為變數，在產品前期時，傳播產品為主要任務，所以分享的加權要大一些，隨著網易雲的發展，社區的概念逐漸強化，評論區互動的加權會加大，所以評論的分值會增加，系統隨時調整分數加權，得出更准確的用戶交互的影響值。
衰減熱度分是一個隨時間變化而變化的數值，往往是一個函數的表達。用新聞舉例，新聞的熱度會隨著時間的推移而衰減，並且趨勢是越來越快，人們在接受新的熱點後，迅速忘記「舊聞」，直至熱度趨近於零。根據理論數據，構建函數，准確的表達衰減分值。
還有很多其他的影響因素，比如傳播次數，傳播層數，停留時長等等，都會影響熱度值，要想更精準的表達，就需要把涉及到的因素都作為變數，不斷完善演算法，才能更精準的完成推薦。
個性化推薦演算法
隨著用戶量的增加，產品日活的增加，用戶也不能僅限於千人一面熱點閱讀的模式中，個性化推薦在此時顯得尤為重要。個性化推薦有兩種常見的解決方案，一種是基於內容的推薦演算法，推薦內容往往是根據用戶的使用習慣得來，較為精準；另一種是基於用戶的協同推薦演算法，系統會根據以往使用內容，為用戶建模，然後根據群體中個體的使用習慣，推薦更多超預期的內容，達到預測推薦的效果。
基於內容的推薦演算法-預期內
基於內容的推薦演算法，靠收集用戶的使用習慣，進而推薦相關的內容。系統使用分詞庫匹配、關鍵詞匹配等等方式，達到內容的匹配，做到內容的精確劃分。比如，用戶瀏覽了某部科幻電影，系統就會按照該電影所對應的標簽，如科幻，然後系統推薦相同標簽的影片給用戶。
這樣的推薦方案，確定性強，推薦的內容都是根據用戶的歷史來確定，不能挖掘用戶的潛在需求。
基於用戶的協同推薦-超預期
做到精準推薦後，系統會繼續挖掘更潛在的推薦需求，給用戶超預期的推薦體驗。這就到了基於用戶協同推薦的階段。簡單的說，這種演算法是增加了用戶建模的環節，將同標簽的用戶群分，對比群體中單個個體的特徵，默認這種特徵為這類人的潛在特徵，再將此特徵內容推薦給同標簽的用戶，達到超預期的推薦效果。
比如，某用戶購買了一個蘋果手機，系統會將此用戶歸類為果粉，系統識別出很多果粉除了買蘋果的商品，還會購買小米作為備用機，這個特徵會被系統識別為潛在需求，推薦給果粉，減少果粉選擇備用機的時間。
這樣的推薦演算法，不僅能完成精準的推薦，還能給用戶小驚喜，讓系統「有溫度」。但是這樣的推薦方式，往往需要積累了大量用戶資料為基礎，才可以精確的完成。
2. 想一想怎麼樣聯系生活實際選擇合適的估算方法
估算教學的改革已經迫在眉睫，落實估算教學不能僅僅停留在口頭上，而應實實在在的開展，從教育思想上重視起來，從教學行為上研究起來。基於此，我通過學習探索實踐，對於如何選擇適當方法解決估算教學中遇到的問題有了一些粗淺的認識。
1．貼近生活，感受估算價值。
學生估算習慣的培養與估算能力的提高與教師關系十分密切。教師在教學中要強化估算意識並結合教學內容作好估算示範。而教師的估算意識又著重體現在對各冊教材中估算題材的挖掘和有目的、有計劃地向學生的傳授上，估算示範則應穿插到教學過程中去。教師要有意識地結合相關教學內容，有步驟地將估算與解決生活中的有關問題聯系起來，逐步滲透，讓學生不斷加深認識。教師應盡量結合課堂上所學的數學知識，尋找契機組織學生觀察、分析，讓學生在實際運用中感受估算的樂趣，並切身體驗用估算解決問題的實用性和便捷性，凸顯估算應用的價值。
2．結合教學，講清估算方法。
古人雲「授之以魚，不如授之以漁」。教學中要在具體的審題、解題、驗證中教給學生估算的方法。估算是一個估計的過程，但這一過程並不是一個漫無目的、胡亂猜測的過程，而是一個有目標、有選擇、有方法運用的過程，也就是在解答應用題和計算題之前，對該題的計算結果，做出粗略的估計；或是在解答之後，對該題的結果做出粗略的判斷。包括根據數位估演算法和根據生活常識或經驗估演算法。
3．感悟方法，鼓勵策略多樣化。
估算習慣的養成和估算能力的提高，標志之一是會自覺地運用估算解決一些數學問題。在教學中，教師要教給學生利用估算知識解決數學問題的策略。
（1）讓學生掌握預測策略。就是對問題結果的取值范圍進行合理的估計，計算結果如超出這一估計的取值范圍，說明答案是錯誤的。
（2）讓學生掌握調整策略。在估算中由於運用不同的方法，其估算結果的准確性程度是不同的，所以恰當運用調整策略，能保證估算結果會更接近准確值。
（3）尊重學生的想法。由於學生生活背景和思考角度不同，所使用的方法必然是多樣的。因此，教師應鼓勵學生獨立思考，讓學生進行交流討論，在討論交流中體驗解決問題策略的多樣性，在互相評價和自我評價的過程中，訓練優化策略的思想方法。
4．重視估算交流，關注估算評價
由於每個學生獨特的生理遺傳、不同的文化環境、家庭背景和生活經歷，對相關數學知識和技能的掌握情況及思維方式、水平的不同，估算時，必然會有各種各樣不同的方法。教師要尊重每一個學生的個性特徵，應給學生足夠的時間和空間，鼓勵學生估算方法多樣化，同時組織學生積極地開展交流，大膽地發表自己的觀點與想法，解釋估算的過程，同時了解他人的演算法，使學生體會到同一個問題可以有不同的解決方法，促使學生進行比較和優化。
此外，學生對估算的情感可能會影響到兒童估算能力的正常發揮，對估算的准確性和速度產生強烈的影響。估算情感包括對自己數學能力的自信心，對自己估算能力的自信心，對估算有用的認同等。小學生屬於估算情感形成的初期，這時產生的情感會對他們的估算能力乃至以後的應用造成深刻的影響。如果教師在教學中關注學生的這些情感，幫助他們形成積極的估算情感，就有可能提高他們的估算能力。