在之前我也看了很多人寫的推薦系統的部落格，理論的、演算法的都有，多是個人的理解和感悟，雖然很深刻，但是對於自己而言還是不成系統，於是我參考大牛項亮編著的《推薦系統實踐》將該領域知識系統整理一遍，與大家一起學習。
本系列對應的**請檢視
前面總結推薦系統常用的資料、演算法、架構等，具體內容清檢視本系列推薦系統1—10。
本部分總結推薦系統的定義、實驗方法、評價方法、應用領域等，解釋什麼是好的推薦系統。
本部分總結了topn推薦所遇到的資料型別，每一種資料型別所對應的推薦演算法，以及在每一種資料場景下推薦的目的和作用。
本部分總結了評分**推薦的多種場景和方法，相對於topn推薦，演算法的諸多思路很相似，計算方法上有差別。
本圖是書中的推薦系統架構圖，分為特徵生成、召回、排序幾個部分，多種推薦引擎配合達成推薦目標。
本篇到此，《推薦系統實踐》總結完畢，書中設計的演算法大多都比較傳統、簡單，例如topc-model模型沒有展開細說，矩陣分解也只是大概描述，但是本書對推薦系統進行了全面的概括，對於小白而言有了初步的認識，本系列後面還會通過演算法專題的形式進行常用演算法的總結。
《推薦系統實踐》 讀後總結
在剛剛畢業的時候，當時的領導就問了乙個問題 個性化推薦與精準營銷的區別，當時朦朦朧朧回答不出。現在想想，他們可以說是角度不同。精準營銷可以理解為幫助物品尋找使用者，而個性化推薦則是幫助使用者尋找物品。那麼什麼是推薦系統呢？簡單的來說，就是幫助使用者和物品聯絡起來，讓資訊展現在對他感謝興趣的使用者面前...
推薦系統實踐
實驗方法 測評指標 測評維度 使用者活躍度和物品流行度 長尾分布 一般來說，不活躍的使用者要麼是新使用者，要麼是只來過 一兩次的老使用者。那麼，不同活躍度的使用者喜歡的物品的流行度是否有差別？一般認為，新使用者傾向於瀏覽熱門的物品，因為他們對 還不熟悉，只能點選首頁的熱門物品，而老使用者會逐漸開始瀏...
11 推薦系統
使用者分析 新使用者 傾向於瀏覽熱門商品 老使用者 逐漸開始瀏覽冷門商品 新穎度覆蓋度 離線實驗 使用者調查 新演算法最終上線條件 基尼係數 覆蓋度 itemcf演算法的 結果比usercf略高 itemcf可以額預先算好個個物品的相似度，速度快 如果物品的變更速度快，武平縣速度的矩陣頻繁更新需要的...