传统的推荐模型（一）
发展脉络：类似搜索引擎中的倒排索引算法，先进行倒排，再构造共现矩阵从而减少计算量，最后计算相似度(UF,TF)。通过考虑热门物品或者热门用户的影响，设置权重指标，将热门物品和热门用户的影响降到最低（IIF,IUF），从而提高覆盖率，解决长尾问题。通过引入矩阵分解（MF），相当于对用户进行了分类，或者对物品进行了分类，一方面对计算进行了优化，一方面也提高了系统数据泛化的特性。隐语义模型，也是通过矩阵分解，探究隐藏关系，分解的维度可以通过梯度下降法求得。图模型，通过图的天然特性，即节点与节点之间的联系，来计算节点之间的相似度，从而进行推荐。
倒排索引
将文章变成词条，将词条变成向量。如TF-IDF算法。
TF即为统计词条频率，从而构造基础的向量。IDF即是考虑热门词条的影响，因为热门词条不能作为文章之间的区分标准，因此需加入权重因子，使热门词条最终的影响降到最低。
UserCF&&ItemCF（基于邻域的算法）
构造倒排表，为构造共现矩阵做准备
构造共现矩阵，从而使时间复杂度从O(mn)降低成了O(mm) 假设m
引入权重因子，降低热门物品的影响。
最终形式
对比
隐语义模型
通过矩阵分解，提取用户和物品之间的隐藏特征，从而找到用户和物品之间的相关性，比如说一个用户和另外一个用户并没有买过同样的物品，但这并不代表这两个用户就毫不相干。MxN维矩阵分解成MK维,KN维的矩阵，有些时候可以通过向量的内积即可计算用户和物品的相关度。
可以理解为是一种基于兴趣分类的方法。一个人有多个兴趣，一个兴趣包含多个类别，反之同理。
随机采样，不能只采集正样本，即用户有过历史行为的样本，也要采集那种用户没有历史行为的样本，即为负样本。同时，若物品为热门物品，且刚好用户对其没有历史行为，这种样本也很具代表性。
采用梯度下降的方式计算隐予以模型中的K值(https://www.huaweicloud.com/articles/f40711c8aa25e869d0bd98880dd40913.html)
图模型
一张图中，若一个节点到另一个节点的路径越短，到达另外一节点的方式越多，即为这两点之间的相似度越大，关系越紧密。实现思路可参考图的遍历算法。
