第一代以启发式规则为代表，大体可分为基于用户的协同过滤、 基于物品的协同过滤，基于模型的协同过滤（比如 MF 矩阵分解等），以基于 item 的协同过滤思想为例，根据两个item 被同时点击的频率来计算这两个 item 之间的相似度，然后推荐用户历史行为中各个 item的相似相关 item。这一类方法的优点是简单、性能较高，因此在实际的推荐场景中用途十分广泛，缺点是不能面向全量商品库来做检索，系统只能在用户历史行为过的商品里面找到侯选的相似商品来做召回，并且难以结合候选 item 的 Side Information（比如 brand，品类一些 id 信息），使得整个推荐结果的多样性差、对长尾商品的效果差，容易导致推荐系统出现“越推越窄”的问题，即系统总是给你推荐看过的或者买过的商品。