考虑如何让推荐更合理
推荐的时机
解决用户需求，考虑用户场景
举例子：一个人很喜欢吃巧克力，我们知道这个人喜欢吃巧克力就给他推，他上厕所的时候追着他说给你推荐巧克力，肯定是很不友好的。
建议：用户需要的时候推荐（用户想要约课的时候推荐、用户不知道如何选择的时候推荐）
如果推荐的时间点用户已经约过课了，给他一个没课的时间点。如果首页没有解决“一眼看明白哪一天有几节课”。这样的设计，他在推荐老师这里一直约一直约的可能性可能不高，因为都不知道自己的课程安排，不敢立即直接约。
推荐的内容更合理
冷启动问题
新的用户不知道给他推荐什么老师——用户冷启动
新老师不知道把他推荐给什么用户——物品冷启动
用户冷启动
1、利用用户注册体验流程所选的信息
学习目的、学龄阶段、英语水平、用户群体（青少／成人）、性别
2、体验课评价
体验课上课如果对老师的评价是yes，也可以作为用户的偏好进行相似推荐
3、让用户反馈
第一次约课时，出现问卷让用户选择偏好
物品冷启动
利用物品本身的内容属性
老师上线后的属性，性别、年龄、适合等级、教龄（美教才有）、认证标签（美教才有）
可利用的数据
隐性的数据源：是否加入收藏、yes／no、评论内容（标签和文字）
控制推荐的外教的数量
如果推荐的老师量没有度，推荐了很多很多老师列表都翻不完，会和看整个老师列表一样，用户仍然会陷入无尽的选择中，起不到给用户推荐让用户快速选择的作用。
1、总数有度
其他平台的推荐数量
网易云音乐／QQ音乐“推荐歌曲”－30首歌
美团外卖－40家店
亚马逊“商品推荐”－数量不固定10-40+不等
VIPKID－“推荐”老师15个
2、各类型的推荐老师数量有度
如果推荐老师里都是收藏老师，直接看收藏老师好了，没必要单独看推荐老师。
比如一共推荐10个老师，5个是经常上课老师的相似老师，5个是与这个人相似的人都喜爱的老师
ps：不是很同意“算法算出来的就难认同”，因为推荐系统本事就包含了比较系统的逻辑。单纯的技术主义没有产品思维是不可取，我们要把认为重要的衡量因素告诉数据，才能更好的做推荐
推荐系统中反应用户偏好的是以下两方面：
1）、显性：用户反馈准确地反映用户的喜好，需要用户付出代价
用户的评价、用户自己选择的内容
2）、隐性：需要分析确定用户的喜好
经常上课的老师，个人觉得浏览老师不能作为分析的依据
推荐老师看一些数据
1、首页推荐老师的“立即预约”的点击量。这个数量高了，做到了至极后大家都从首页直接推荐约，约课tab的点击量会不会少？
2、更多推荐老师的点击量。多了不一定是好事，是不是首页推荐的那一个不合适才会点更多。
3、推荐老师的列表里，排在多少位的容易被立即预约，1是看这个老师如何排序最优，2是看这个推荐老师推荐多少合适
4、约课数量。看一下推荐老师的刺激约课的作用。
一些资料
http://www.infocomm-journal.com/bdr/article/2015/2096-0271/2096-0271-1-3-00016.shtml
https://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html#icomments