记录关于推荐系统及相关技术的经验之谈@无刀老师

1. 推荐结果应符合热度趋势(其实推荐结果靠前的部分，热度也不会差)

2  特征筛选等实验可以放在高活跃用户进行实验，高活跃用户的容忍度相对较高

3  每做一次实验应该有一个量化的指标来进行结果的衡量

4  特征的扩展及筛选技巧：

        4.1  人工实验构建

        4.2  暴力解法(eg. 二阶组合)

        4.3  利用模型进行筛选：树模型， L1正则的线性模型， 深度模型的端到端......(介个)

5  协同过滤与矩阵分解： 有矩阵分解的方式就尽量不要使用原始的协同过滤

    首先矩阵分解的方式已经纳入了协同过滤的作用，同时隐性特征在相似度计算和模型训练等方面通常会有更好的表现，并且模型的鲁棒性更优。

6  对于模型的选择(无刀老师经验之谈...)：

        6.1  对于数据系数和维度较高的数据， 一般采用线性模型

        6.2  对于特征较少，连续型特征比较多的情况......(介个)，采用树模型

7  对于技术类的建议： vim & 会议 & 数学 & 英语(共勉) & 向量计算