Cinematch 还处理有关客户群体的数据。当然，它们是某些共同特征而形成的，Netflix 上有超过 2,000 个这样的片段。因此，推荐的内容不仅受到该用户的偏好的影响，还受到其群组中其他客户偏好的影响。

值得注意的是，你可以在互联网上轻松找到免费观看电影的资源，而仅在 2020 年就有 2 亿用户在 Netflix 上注册了付费账户。 Cinematch 在其中发挥了重要作用。

推荐系统的类型

智能推荐系统有四种类型。让我们更详细地讨论每一个问题。

协同过滤

对用户的推荐是基于用户自己的评估以及具有相似偏好的其他用户的经验而形成的。

我们来看一个最简单的例子。伊万 (Ivan) 和瓦西里 (Vasily) 支持迪纳摩冰球俱乐部。他们还有另一个共同的爱好——主动旅游。他们也都喜欢硬摇滚音乐。还有一位名叫 Semyon 的用户，他也密切关注 Dynamo，并且热爱重金属音乐。没有关于他如何度过闲暇时间的信息，但由于他的三个兴趣中有两个与伊凡和瓦西里的兴趣相吻合，因此该算法将向这三个人提供旅游产品。

许多网络服务都实现了这种方法，例如 Last.fm、Imhonet。这样，就可以以较高的概率确定具有某种兴趣的用户的偏好。然而，这种推荐方法的缺点是缺乏新用户的初始数据，因此很难为他们创建相关的推荐，这将导致相当大比例的拒绝。

基于内容

也是一种广泛使用的方法。它基于使用有关客户的任何可用信息：首选品牌、类型、尺寸、产品功能等。这里跳过了了解用户的阶段。这种算法经常用在网上电影院和商店里。因此，IVI 服务会根据电影类型、拍摄国家、演员等信息生成推荐。

该算法的一个重要优点是能够在大多数情况下为用户提供或多或少合适的内容。然而，由于有关客户的信息很少，因此在刚开始使用该服务时可能会出现错误。

知识型

这涉及任何领域的数据：关于用户、产品、购买等——任何有助于形成建议的信息。这里不考虑其他用户的偏好。有基于案例的、基于人口统计的、基于实用性的、基于批评的、基于任何你想要的等等。用于编制评级的基础数量仅受平台开发人员的想象力的限制。可以使用任何功能，具体取决于产品的具体情况和目标受众。

例如，Apple reStore 在线商店根据潜在买家的产品浏览历史向他们推荐产品。购买 PS4 游戏机时，顾客还可以购买虚拟现实头盔、热门游戏和其他配件。这样，公司就能够大幅提高每个客户的账单金额。

推荐系统能够高度准确地预测用户的实际兴趣，并生成真正有用的建议。 M.Video 使用的算法可能会在购买电视时推荐高级立体声系统，但不会推荐燃气灶。该系统的缺点是需要大量的初始信息，并且难以获取和系统化。然而，所获得的结果值得投入和时间。