商务部统计数据显示，2012年到2016年，我国网络购物用户人数从2.42亿人增长至4.67亿人，增长近一倍。电子商务交易额从8.1万亿元增长至26万亿元，年均增长34%。其中，网络零售交易额从1.31万亿元增长至5.16万亿元，年均增长40%，对社会消费品零售总额增加值的贡献率从17%增长至30%。电子商务发展直接和间接带动的就业人数从1500万人增长至3700万人。
其中淘宝作为其中最瞩目的电商平台之一，从无到有，经历不可谓不曲折，从杭州湖畔花园的兴起，到因涉嫌不正当竞争而遭遇滑铁卢，加盟e时代周报、21CN缔约获得转机，到后续逐渐发展成为国内第一大个人商务网站，在信息资源的整合上，淘宝也做了一系列流量变现的措施。在智能手机兴起的今天，每人一部智能手机已经成为用户的标配，也就意味者一个人对应一部智能手机成为可能，也就意味着信息采集的能力变得空前强大，这就使得淘宝的基于用户的智能推荐系统成为可能。
淘宝的智能推荐系统的发展也分为几个阶段：
第一个阶段：淘宝的智能推荐系统积累的用户数据不多，但是相对积累了很多商品的数据，根据这个情况，淘宝可以做到"千人一面"，所谓的"千人一面"指的是一个聚类类似的概念，用户在搜索到某种商品时，下面可以推荐同类型的产品，这时候依赖的主要是商品的数据
第二个阶段：这个阶段的特点是需要对推荐的商品做优化排序，可以通过加权算法来控制，例如：用户需要一款产品，参数是：A：1 B：2 C：3，但是用户对于这款产品不感冒，觉得其中一个参数不满足要求，那么我们可以在同类的商品中根据加权的算法，算出相似度 将相似度高的展现给用户，加权算法可以通过不断积累用户数据，不断进行优化，其中函数表达式应为：
f(x) = x1*A+x2*B+x3*C
随着数据的积累和机器学习算法的推进，对各项参数的权重值会有相应的调整
第三个阶段：这个阶段可以做到"千人千面"，主要基于用户之间的关联，我们在给用户打标签的过程中，会发现用户有相同的标签，通过余弦算法，算出用户的looklike程度，通过一个用户的行为推算其他类似用户的喜好和行为
当然，所有的推荐算法的基础都是数据，这些数据可能是通过用户的搜索，也可能是通过浏览记录，也有可能是根据以往的用户订单，不一而足。
未来的推荐系统可能不止那么单一的一种算法，应该是多种算法的组合，随着AI时代的到来，未来可能出现机器学习结合数据分析自动选取算法，这些不赘述，期待推荐算法的进一步发展。
