用户画像和系统推荐

1.隐语义模型

2.word2vector模型在推荐系统当中的应用
3.推荐系统评估指标
打分系统：均方根，平均绝对误差
top n 推荐：准确率（推荐正确的/推荐的）vs召回率（推荐正确的/用户实际浏览的）
覆盖率（对平台而言）：推荐系统消除马太效应，覆盖率计算商品的曝光率，引入信息商，每个商品曝光的概率一样时信息熵最大
多样性（对用户而言推荐item不是单一的）：相似度
时效性等。。。

4.推荐系统（基于内容）：文本相关的产品TF-IDM（词在文件中重要度的度量）会出现冷启动的问题

冷启动问题解决：新用户：注册阶段收集相关的信息 ，用些小游戏互动 ，推荐非常热门的信息 新商品

                           新物品：根据item本身的属性

5.协同过滤：近朱者赤近墨者黑，近邻算法（计算用户交互的物品的相似度）
计算向量间的相似度：曼哈顿距离、欧式距离、jaccard距离、余弦相识度、pearson相识度
基于物品的协同过滤：一个用户对俩物品的打分，计算两个向量的相似度，
基于用户的协同过滤和基于物品的协同过滤比较
6.协同过滤的优缺点：可解释性强、需要大量的用户行为，假定之前的行为，不会考虑当前，稀疏矩阵问题

 7.隐语义模型：打分的用户应该有一些隐形的因素（演员、主题、年代，还有一些说不出来的因素），找出隐含的因子
 把user和item给关联起来（因素个数小于user和item个数）
 svd矩阵分解的方法，facto个数在业界可能是4或8，可以作为超参数，用模型选择
 相比之下：协同模型的可解释型更强，隐语义模型
8. scikit网站： scikit-surprise：http://surpriselib.com/