推薦系統並不是新鮮的事物，在很久之前就存在，但是推薦系統真正進入人們的視野，並且作為乙個重要的模組存在於各個網際網路公司，還是近幾年的事情。
隨著網際網路的深入發展，越來越多的資訊在網際網路上傳播，產生了嚴重的資訊過載。如果不採用一定的手段，使用者很難從如此多的資訊流中找到對自己有價值的資訊。
解決資訊過載有幾種手段：一種是搜尋，當使用者有了明確的資訊需求意圖後，將意圖轉換為幾個簡短的詞或者短語的組合（即query），然後將這些詞或短語組合提交到相應的搜尋引擎，再由搜尋引擎在海量的資訊庫中檢索出與query相關的資訊返回給使用者；另外一種是推薦，很多時候使用者的意圖並不是很明確，或者很難用清晰的語義表達，有時甚至連使用者自己都不清楚自己的需求，這種情況下搜尋就顯得捉襟見肘了。尤其是近些年來，隨著電子商務的興起，使用者並非一定是帶著明確的購買意圖去瀏覽，很多時候是去「逛」的，這種情景下解決資訊過載，理解使用者意圖，為使用者推送個性化的結果，推薦系統便是一種比較好的選擇。
美團作為國內發展較快的o2o**，有著大量的使用者和豐富的使用者行為，這些為推薦系統的應用和優化提供了不可或缺的條件，接下來介紹我們在推薦系統的構建和優化過程中的一些做法，與大家共享。
具體方案，點此檢視
評書 《美團機器學習實踐》
新入手一本 美團機器學習實踐 讀完覺得很有意思，把一部分內容分享給大家。美團可以說是當之無愧的國內最大的poi和o2o應用的公司，他們在這方面的經驗積累極多，架構非常漂亮，而且即使我這個不大了解這方面的人讀起來，也能對機器學習在poi和o2方面的應用有大致的了解。接下來筆者將介紹一些自己覺得很有趣的...
演算法 配對遊戲（美團）
有 n 個人排成一排，一開始全部面向前方，然後大家一起轉身，隨機朝左或是朝右轉。轉身後，不斷檢查佇列，如果存在兩個面對面的相鄰的人，則將這兩個人從佇列中消除 直到不存在兩個面對面的相鄰的人。例如 表示向右，表示向左 佇列 的消除過程為，到 到 到 每次去除一對 最後剩下人數為0。佇列 的消除過程為，...
《美團機器學習實踐》隨筆（一）
特徵選擇 工具eda 探索性資料分析 採用各種技術 大部分為視覺化技術 在盡量少的先驗假設條件下，探索資料內部結構和規律的一種資料分析方法或理念 數值特徵 資料應滿足模型的一些隱式或者顯示的假設，例如 線性回歸訓練使用平方損失函式等價於假設 誤差服從高斯分布。類別特徵 時間特徵 空間特徵 文字特徵 ...