言教授要撞坏了同类型推荐

言教授要撞坏了同类型推荐，这是因为同类型推荐算法存在缺陷，需要进行优化。

同类型推荐算法是一种基于用户历史行为和商品属性相似度的推荐算法。但是，在实际应用中，同类型推荐算法存在以下问题：

1. 缺乏个性化推荐：同类型推荐算法只考虑用户历史行为和商品属性相似度，忽略了用户的兴趣偏好、购买意愿等因素，导致推荐结果缺乏个性化。

2. 难以处理长尾商品：同类型推荐算法只关注热门商品和常规商品，对于长尾商品的推荐效果较差。

3. 数据稀疏问题：由于用户历史行为数据量较小，导致同类型推荐算法无法准确地计算相似度。

针对以上问题，可以采用以下优化策略：

1. 引入协同过滤算法：协同过滤算法可以根据用户历史行为数据计算出不同用户之间的相似度，并将相似度高的用户之间进行交叉推荐。这样可以更好地解决个性化推荐问题。

2. 引入内容-based 推荐：内容-based 推荐算法可以根据用户的兴趣偏好和商品属性进行匹配，从而提高推荐准确度。

3. 引入深度学习算法：深度学习算法可以通过对用户历史行为数据进行分析，学习用户的兴趣偏好和购买意愿等因素，并将其应用于推荐中。

4. 引入增量学习算法：增量学习算法可以不断地将新的用户历史行为数据加入模型中，从而提高模型的准确性和稳定性。

综上所述，同类型推荐算法存在缺陷，需要进行优化。通过引入协同过滤、内容-based 推荐、深度学习和增量学习等优化策略，可以提高推荐准确度和个性化程度。