網際網路世界的很多理念或者術語，看起來專業無比，仔細想想，在生活裡又隨處可見。比如推薦。
遇見乙個美女，看到一本好書，熱烈的想要與他人分享的心情；獨自待在房間裡，渴望與他人建立聯絡卻又無法獲取任何回應；這種時候，開啟網頁，或者郵箱，發現一封亞馬遜的郵件，說是特別為我挑選了我可能中意的同類商品，結果還真是最近超級想買的那一本。於是就小小的享受了，被猜中心思的默契，雖然那個猜中你的不過是基於演算法的程式而已。
是啊，不過是程式而已。
不過是基於某些預先設定的演算法進行的推測罷了。
本書介紹了推薦系統的緣起與發展，討論了不同案例的實現演算法。作為某歷史系出身數學極差的pm，表示最愛看的是第一章以及後記……以至於在小組分享會上還拿第一章的內容做了個ppt給這本書做了下宣傳，然後，在早班地鐵上，把後記認認真真讀了三遍。
摘抄下吧。
……10條在設計推薦系統中學到的經驗和教訓。
（1）確定你真的需要推薦系統。推薦系統只有在使用者遇到資訊過載時才必要。如果你的**物品不太多，或者使用者興趣比較單一，那麼也許不需要推薦系統。所以不要糾結於推薦系統這個詞，不要為了推薦系統而做推薦系統，而是應該從使用者的角度出發，設計出能夠真正幫助使用者發現內容的系統，無論這個系統演算法是否複雜，只要能夠真正幫助使用者，就是乙個好的系統。
（2）確定商業目標和使用者滿意度之間大關係。對使用者號的推薦系統不代表商業上有用的推薦系統，因此要首先確定使用者滿意的推薦系統和商業上需求的差距。一般來說，有些時候使用者滿意和商業需求並不吻合。但是一般情況下，使用者滿意度總是符合企業的長期利益，因此這一條的主要觀點是要平衡企業的長期利益和短期利益之間的關係。
（3）選擇合適的開發人員。
（4）忘記冷啟動的問題。不斷地創新，網際網路上有任何你想要的資料。只要使用者喜歡你的產品，他們就會不斷貢獻新的資料。
（5）平衡資料和演算法之間的關係。使用正確的使用者資料對推薦系統至關重要。對使用者行為資料的深刻理解是設計好推薦系統的必要條件，因此分析資料是設計系統中最重要的部分。資料分析決定了如何設計模型，而演算法只是決定了最終如何優化模型。（話說這些話看得讓人猛點頭不已啊）
（6）找到相關的物品很容易，但是何時以何種方式將它們展現給使用者是很困難的。不要為了推薦而推薦。（第二次說了！不要為了推薦而推薦）
（7）不要浪費時間計算相似興趣的使用者，可以直接利用社會網路資料。
（8）需要不斷提高演算法的擴充套件性。（話說有不需要不斷提高擴充套件性的演算法嗎？）
（9）選擇合適的使用者反饋方式。
（10）設計合理的評測系統，時刻關注推薦系統各方面的效能。
作為這個時代的使用者，我們是幸福的，有那麼多人在關注著，琢磨著，研究著我們是怎樣的人，我們愛好著什麼對什麼感興趣；作為這個時代的開發者，我們是幸福的，能站在巨人的肩膀上，盡力往潮頭眺望。推薦系統的實踐一定可以不斷推進下去，對未來，我期待著……
推薦系統實踐
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...
推薦系統實踐 好的推薦系統
一 好的推薦系統 1.什麼是推薦系統 從某種意義上說，推薦系統和搜尋引擎對於用語來說是兩個互補的工具。搜尋引擎滿足了使用者有明確目的時的主動查詢需求，而推薦系統能夠在使用者沒有明確目的的時候幫助他們發現感興趣的內容。分為社會化推薦，基於內容的推薦和基於協同過濾的推薦。目前廣告投放的技術主要分三種 上...
推薦系統11 《推薦系統實踐》總結
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...