推荐系统
定义：根据用户的历史信息和行为，向用户推荐他感兴趣的内容
推荐系统解决的问题：
- 信息过载：商品，视频等有好几百万。用户怎样找到自己感兴趣的物品。系统怎样展示几百万的物品给用户，达到自己的商业目标
- 挖掘长尾：大部分冷门物品得不到暴露，然而他们的加和价值超过热门物品
- 用户体验：搜索（当明确自己的目标的时候，我们用搜索引擎）。推荐（当不明确的时候，推荐系统推荐我们感兴趣的商品）
推荐系统包含的环节
召回（协同过滤召回，内容相似召回，图算法召回等等）->排序（机器学习，二分类算法：LR、GBDT、DNN）->调整（去重，已购过滤，在线过滤，热门补足，合并内容信息）
推荐系统的召回路径
基于内容的推荐系统
（1）地位：最早被使用的推荐算法，年代久远，但当今仍然被广泛使用，效果良好
（2）定义：给用户x推荐之前喜欢的物品的相似物品，即U2I2I、U2Tag2I
（3）步骤：
（4）用户向量和物品向量的相似度计算：
例举：
（5）优缺点
优点：
- 不需要其他用户的数据
- 能够具备独特口味的用户推荐
- 可以推荐最新的、冷门的物品
- 容易做推荐结果的解释
缺点：
- 很难找到能表达物品的“标签”，有时候需要人工打标签
- 过于局限于自己的世界，无法挖掘出用户的潜在兴趣
- 新用户如果没有行为，没办法做推荐
基于协同过滤的推荐系统
（1）协同过滤：使用行为数据，利用集体智慧推荐
a。基于用户的协同过滤-U2U2I：和你兴趣相投的人也喜欢xxx
b。基于物品的协同过滤-U2I2I:喜欢这个物品的人也喜欢xxx
（2）实例：基于用户的协同过滤
步骤1：搜索最相似的用户
步骤2：计算u和新item的相似度
推荐系统实现内容相似推荐
计算物品最相似的其他物品列表，直接用I2I相似推荐，或者U2I2I扩展推荐
步骤：
推荐系统评测
