48
11、什么是推荐系统？
推荐系统是信息过滤系统的一个子类，种利用用户的历史行为数据、个人兴趣和其他相关信息，通过分析和预测用户的偏好，向用户提供个性化的推荐内容或建议的系统。
2、为什么需要推荐系统？
用户角度：推荐系统能根据用户的兴趣和偏好，提供个性化的推荐内容，使用户能够快速找到符合其喜好的物品、服务或信息，从而节省时间和精力。
资源角度：推荐系统可以根据用户的需求和偏好，合理分配资源，提高资源的利用效率。
3、推荐系统的类型
- 基于内容的推荐系统
- 协同过滤推荐系统
- 混合推荐系统
- 深度学习推荐系统
4、推荐系统的评估？
准确度
覆盖率
多样性
实时性
商业目标
5、推荐系统的挑战
数据稀疏性
在大规模推荐系统中，用户和物品之间的交互数据通常是非常稀疏的，即大多数用户只与少数物品有交互行为。
冷启动问题
冷启动问题指的是推荐系统在面对新用户或新物品时的困境。
实时性要求
某些应用场景对实时推荐要求较高，即需要在用户产生行为之后立即生成和呈现推荐结果。
6、推荐系统的应用
亚马逊的图书、网易云音乐、Youtube视频、淘宝商品等
7、如何搭建推荐系统
Netfilx的推荐系统架构
Step1:数据收集-》Step2:数据处理-〉Step3:特征工程
Step4:算法选择
使用余弦相似度来计算物品之间的相似度。余弦相似度度量了两个向量之间的夹角，值越接近1表示两个向量越相似。向量的概念，可以形象化地表示为带箭头的线段。二维空间向量表示方法为 r（x1，x2），多维空间向量表示为r（x1，x2，…xn）向量是描述事物一种很好模型。
假设5个维度：对服装的喜欢程度（1~5分），对家居的喜欢程度（1~5分），对3C的喜欢程度（1~5分），对图书的喜欢程度（1~5分），对化妆品的喜欢程度（1~5分）。一个用户A：对服装的喜欢程度3，对家居的喜欢程度1，对3C的喜欢程度4，对图书的喜欢程度5，对化妆品的喜欢程度0，用户A可以用向量表示为Ra（3,1,4,5,0）一个用户B：对服装的喜欢程度3，对家居的喜欢程度4，对3C的喜欢程度5，对图书的喜欢程度0，对化妆品的喜欢程度2，用户B可以用向量表示为Rb（3,4,5,0,2）
对于向量Ra（A1,A2,A3,A4,…An）和Rb（B1,B2,B3…Bn）而言，他们的在多维空间的夹角可以用向量余弦公式计算，这两个向量的夹角。夹角越小，则相似度越大。刚才用户A和用户B的例子：计算出来结果等于0.64
Step5:生成推荐内容，并对结果排序
Step6:评估和优化
——————————
参考资料
wiki：Recommender system
推荐系统参考资料：github链接
亚马逊官方博客：推荐系统系列之推荐系统概览
极客时间推荐系列
推荐系统实践英伟达官方博客：推荐系统
