推薦系統分為協同過濾推薦、基於內容的推薦、基於知識的推薦、混合推薦方法。
1.協同過濾推薦
由於選擇可能感興趣的書涉及從大量集合中過濾出最有希望的書，而且使用者是在隱式地與其他人相互協作，因此這種技術稱為協同過濾。
協同方法背景下的常見問題如下：
1.如何發現與我們要推薦的使用者有著相似偏好的使用者？
2.如何衡量相似度？
3.如何處理還沒有購買經歷的新使用者？
4.如果只有很少的評分該怎麼辦？
5,除了利用相似的使用者之外，還有哪些技術可以用來**某個使用者是否喜歡其物品
2.基於內容的推薦
一般來說，推薦系統有兩個目的：一方面，推薦系統被用於激發使用者去做某件事情；另一方面，推薦系統也可以被看作是解決資訊過載的工具，因為系統的目標是從大集合裡選擇最感興趣的物品。因此，推薦系統研究也深深根植於資訊檢索和資訊過濾領域。這些領域的許多技術利用了源於文件內容的資訊進行排名。
基於內容推薦的核心是能夠得到物品的描述（不管是人工生成還是自動抽取的）和這些特徵的重要記錄。在基於內容的推薦中，有如下問題：
1.系統如何自動獲取並持續改進使用者記錄？
2.如何決定哪個物品匹配或者至少能接近、符合使用者的興趣？
3.什麼技術能自動抽取或學習物品的描述，從而減少人工標註？
3.基於知識的推薦
在這種基於知識的方法中，推薦系統通常會用到有關當前使用者和有效物品的額外資訊，如基於約束的推薦。總體來說，基於知識的推薦系統要解決的問題如下：
1.哪種領域知識能表示成知識庫？
2.什麼機制可根據使用者的特點來選擇和排名物品？
3.如何在沒有購買記錄的領域獲取使用者資訊？如何處理使用者直接給出的的偏好資訊？
4.哪種互動方式能夠用於互動式推薦系統？
5.設計對話時，要考慮哪些個性化因素才能確保準確獲得使用者的偏好資訊？
4.混合推薦方法
組合不同技術產生更好或更精確的推薦。在推薦系統中混合使用不同方法時有以下問題：
1.哪種方法能被組合，特定的組合的前提是什麼？
2.兩個或多個推薦演算法是應該順序計算，還是採用其他混合方式？
3.不同方法的結果如何賦予權重，可以動態決定嗎？
5.推薦系統的解釋
1.推薦系統在解釋其推薦結果的同時如何提高使用者對系統的信任度？
2.推薦策略如何影響解釋推薦的方式？
3.能通過解釋讓使用者相信系統給出的建議是「公正的」或者不偏頗的嗎？
6.評估推薦系統
推薦系統 基本概念
序 帕洛阿爾托研究中心的tapestry系統 goldberg et al.1992 引入了協同過濾的思想和概念，展示了如何將顯示標註資料和隱式行為資料注入可查詢的資料庫中，以及使用者如何利用這些資料進行個性化過濾。grouplens系統 resnick et al.1994 展示了協同過濾方法既能...
推薦系統的基本概念
雖然完整的推薦系統需要考慮 5w 問題，但向誰 who 推薦什麼 what 是問題的核心。所以，本章我們介紹乙個解決這兩個核心問題的推薦系統。使用的資料和推薦任務如下圖所示，已知使用者對部分內容的評分 偏好 推測他們對未評分內容的評分，並據此進行推薦。協同過濾推薦 collaborative fil...
OWIN的概念初接觸
owin這個詞我昨天才認識，一直疑惑它是個什麼東西，通過一定量的研究，得到乙個初步的認識，留個腳印。owin是乙個規範和標準，旨在闡述web伺服器和web應用應該如何去解耦，它使得原本不太可能遷移到其他環境的asp.net應用變得可能。在owin之前，當我們在寫asp.net應用的時候，我們的思想裡...