這裡給出了三個主要原因
網際網路規模增長迅速，資料量資訊過載，人們很難獲得有效資訊；（資料太多了，我看不過來）
搜尋引擎的方式只能滿足有確切主題、知道如何描述的資訊，沒有辦法搜尋自己模糊不清的需求；
人們需要個性化服務來減少不必要的工作。
在這樣的背景下，推薦系統應運而生，推薦系統究竟實現了怎樣的工作，實際上來講就是它完成了和你非常熟絡的推銷員的工作
想象一下，無論你到**，都有乙個對你非常了解的人，根據你的口味來向你推薦你可能感興趣的書籍、電影、商品等等，這些就是推薦系統在做的事。
當然，推薦系統的應用不止於此，人工智慧、金融、知識圖譜等等的應用都離不開推薦系統的應用。
2023年，yahoo 推出了個性化入口my yahoo；
2023年，netflix競賽極大推動了推薦系統的發展；
後來網際網路發展迅速，推動因素太多了，一下子蓬勃發展了起來。
我們通過主動提供或者被動提取的方式獲得關於使用者的資訊來建立使用者模型；
在建立了使用者模型的基礎上通過推薦演算法對使用者推薦；
根據使用者對推薦內容的反饋進一步調節使用者模型的準確性。
通過以上的內容我們已經大概了解了什麼是推薦系統，以及推薦系統大概是怎麼樣工作的。那麼，接下來的問題就是
如何構建使用者模型
如何構建推薦物件模型
怎麼實現推薦演算法
以上就是第一講的內容。
推薦系統入門
因為找工作需要，在這裡記錄一下學習推薦系統的過程。希望能上岸，上岸後必傾盡所學進行更加細緻全面的分享。機器學習 深度學習 立根之本，但是略 月度計畫 1月 1.14 2月 2.1 追蹤閱讀相關 3月 3.1 差缺補漏，特徵工程，通過以往競賽學習 1月 計畫第一周 1.13 19 特徵分解 pca s...
推薦系統入門介紹
推薦系統 推薦系統是利用電子商務 向客戶提供商品資訊和建議，幫助使用者決定應該購買什麼產品，模擬銷售人員幫助客戶完成購買過程。個性化推薦是根據使用者的興趣特點和購買行為，向使用者推薦使用者感興趣的資訊和商品。隨著電子商務規模的不斷擴大，商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的...
推薦系統架構 推薦系統（1） 業界推薦系統架構
1.1業界主流推薦系統架構 業界推薦系統通用架構 1.2使用者本身資料 1.3物品本身資料 1.4使用者行為資料 2.1基於離線訓練的推薦系統架構設計 常用演算法 邏輯回歸 logistics regression 梯度提公升決策樹 gbdt 和因式分解 fm 架構設計 2.2面向深度學習的推薦系統...