什麼是推薦系統？
1. 能做什麼？
2. 需要什麼？
需要已經存在的 user 和 item 之間的連線記錄
3. 怎麼做？
**使用者評分和偏好（機器推薦和人工推薦）
什麼時候需要推薦系統？
1. 符合產品的目的。（比如工具類產品就肯定不需要，但社群類產品就需要）
比如可以計算 δconnection / (δuser * δitem)，如果值較小，說明增加的連線數主要靠增加的活躍使用者數和物品數貢獻，不適合加入推薦；反之說明連線數已經有自發增長的趨勢了，適合用推薦系統來加速。
推薦系統的問題模式
評分**：
提前**乙個使用者對每個物品會打多少分，比如1～5分，然後找出那些他可能打高分但是還沒消費的物品，推過去就好了
但怎麼衡量**分數和實際分數之間的誤差呢？（機器學習模型的優化多是誤差驅動）—— 其實就是個回歸問題，用均方誤差
評分**常見問題：
1. 資料不易收集，使用者給出對乙個物品給出評分，意味著他已經完成前面整個消費行為了
2. 資料質量難以保證，偽造評分資料容易、門檻低，但是獲得真實評分資料又不易、門檻高
3. 評分分布不穩定，不同時期整體評分差別大，個人評分在不同時期也會變化，不同人之間評分標準差別也很大
所以評分這種資料，就是使用者提供的顯式反饋。但其實還存在隱式反饋，通常是各類使用者行為，這就引出了下面一類問題
行為**：
從使用者登陸重新整理，到購買收藏，這類自覺自願產生的行為，一是資料量很大、二是相對真實。在整個消費流程中，使用者行為（比如購買、建立社交關係、完整消費長內容）常呈漏斗關係，從登陸重新整理開始，逐層經歷流失。推薦系統就是要讓完整的使用者行為越多越好。
**方式有兩種：直接**行為本身發生的概率（ctr 預估）；**物品的相對排序
隱式反饋相比顯式反饋的優勢：
1. 資料更加稠密（評分資料總體上很稀疏）
2. 更能代表使用者的真實想法
3. 和模型的目標函式關聯更密切，更容易在 ab 測試中和測試指標掛鉤
行為**常見問題：
2. 探索與利用（ee 問題）。假設已經知道使用者的喜好，比較科學的方式是大部分推薦他感興趣的，小部分嘗試去探索新的興趣。如何平衡這兩者就是要處理好的問題。
推薦系統構成元素的相對重要性、思維模式
四個關鍵元素：1. ui 和 ue；2. 資料；3. 領域知識；4. 演算法。重要性遞減（演算法其實反而不怎麼重要？）
最先優化的一定是人機互動設計和使用者體驗設計，顏值即正義，互動邏輯要簡潔明瞭；其次就是資料，沒有歷史資料積累，別的都是白扯；再來就是所處領域的常識和通識，比如電商產品普通使用者更在意**、新聞類產品必須更新很快、沒必要給乙個歌手的骨灰粉再推薦該歌手的歌...等等。最後才是演算法的作用，各種演算法原理也是一定要掌握的，演算法的左右沒那麼大，但也不可或缺。
目標思維和不確定性思維
推薦系統是乙個資訊過濾系統，要解決的問題是如何讓資訊流通更有效率，追求指標的增長，背後思想強調是目標和不確定性：並不能很確定每個人將會看到什麼，也不一定能復現一些操作。但只要能讓目標指標增長即可。
輸出值在增長就說明修改有效，繼續沿著那個方向做下去，一旦無效或反作用就滾回去。
換句話說，要搞清楚做推薦系統的終極目標是什麼。在這個過程中，量化就非常重要，推薦的精準性要量化，優化改進動作也要量化。
不用因果邏輯嚴絲合縫的推演，而用概率的眼光看待結果。為什麼要有這種不確定思維？1. 大多數推薦演算法本來就是概率視角；2. 追求的是不擇手段增長目標，而不是糾結一兩個case；3. 為個別問題修改模型，付出和收益比；4. 本來出現意外的推薦也可能是有益的（ee問題）
mysql 的基本問題 MySQL 基本問題整理
整理 mysql 安裝部署運維問題解決優化記錄。1 安裝 系統為 centos7 1 rpm 包方式安裝yum install wget wget wget 解壓到某個路徑，安裝全部的 rpm 包yum install mysql rpm 2 yum 庫方式安裝 可參考官網切換版本 rpm ivh ...
C 基本問題
一 編譯為程式集 編譯c 源 檔案將得到程式集檔案，例如 乙個程式集檔案包含 4部分 pe表頭 clr表頭 元資料和 il pe表頭是 windows 作業系統要求的標準資訊 clr表頭專門用於那些需要 clr才能執行的模組 元資料實際上就是一塊二進位制資料，其中包含著一些表，我們可以將元資料表劃分...
DVB DVB基本問題
1 在進行節目搜尋時，nit搜尋，手動搜尋以及全頻段搜尋都要用到那些表，什麼順序？答 先收nit，找到頻點列表，依次搜每乙個頻點。如果是全頻段搜尋，自己建乙個頻點列表開始搜。在乙個頻點上，先收pat，然後收pmt，就可以把節目搜出來了，再搜sdt找到頻道名稱.2 為什麼不先搜尋sdt在搜尋pat p...