数据量少的时候，推荐有用吗？
当待推荐物品数据较少时，推荐系统仍然有用。推荐系统主要解决用户“信息过载”和物品“长尾”的问题，从而改善用户体验、增加用户粘性、提升企业经济效益。
1. 数据量少的情况下，同样需要优化用户体验、维持用户活跃。小数据量的用户建模，对建模算法的要求更高，需要在用户行为不足的情况下发现用户需求，而达观在这方面有行业领先的技术积累
2. 每次用户行为发生之后，达观推荐系统会实时更新后台的用户模型（秒级更新），快速响应用户兴趣的实时变化，及时满足用户的信息诉求
新用户怎么推荐？
- 达观推荐支持上线前接入各种各样的外部历史数据，以分析和挖掘用户偏好，进行精准推荐
- 对于缺失历史数据的用户，达观推荐基于多种推荐策略融合，生成初始推荐结果，多维度满足新用户信息诉求
- 对新用户的每一个动作，达观推荐都会实时更新后台的用户模型（秒级更新），快速捕捉用户兴趣，更新推荐结果
精准推荐能否整合除了线上点击之外的多方面数据（比如会员消费数据等）？
支持多方面数据整合，达观推荐系统非常擅长针对不同类型的用户行为数据（浏览，点击，评论，点赞，分享，消费等等）进行多层次的整合和建模，行为数据越多，种类越丰富，建模越准确，推荐效果越精准。
不同场景精准推荐需求不一样，达观是怎么解决的？
达观有一套完善的推荐场景定义，使用方在调用达观推荐服务时可以传递场景参数，针对不同的场景达观推荐会给出最合适的推荐结果。达观推荐系统有很强的自学习能力，能实时捕捉场景下的显著特征和用户兴趣变化，预测用户未来行为，进行精准推荐。
达观数据的推荐系统技术亮点
我们的推荐系统架构经过多年累积，推荐效果也越来越好。业界很多公司的推荐算法是单算法，而我们的是基于机器学习的多模型融合算法。另外“离线-近线-在线”相结合，实时捕捉用户行为反馈数据，实现更精准的推送。我们提供功能丰富的推荐系统，包括个性化推荐、相关推荐和热门推荐，同时提供推荐理由，支持效果测试，也可以和第三方进行效果对比测试。
