主要内容
·推荐系统简介
·传统的推荐算法
·非个性化推荐：热度排行（Popularity）
·协同过滤（collaborative filtering)
·Memory-based（aka neighborhood-based）方法：Item-based/User-based CF
·Model-based方法：频繁项集挖掘/聚类/分类/回归/矩阵分解/RBM/图模型
·基于内容/知识的推荐（Content-based/Knowledge-based）
·混合方法（Hybird Approaches）
·推荐算法的最新研究
·学习排序（Learning to Rank）
·页面整体优化（Page Optimization）
·情景推荐：张量分解/分解机（Factorization Machine）
·深度学习（Deep Learning）
推荐系统的评价标准
·用户满意度（User Satisfaction）：调研或者用户反馈；点击率、转化率等
·准确率（Accuracy）：precision/recall/F-score
·覆盖率（Coverage）：照顾到尾部物品和用户
·多样性（Diversity）：两两之间不想死
·新颖性（Novelty）：没听过、没见过的物品
·惊喜性（Serendipity）：如何评价？
·用户信任度（Trust）/可解释性（explanation）：推荐理由
·鲁棒性/健壮性（Robustness）：哈利波特现象；抗攻击、反作弊
·实时性（real-time/online)：新加入的物品；新的用户行为（实时意图）
·商业目标（business target）：一个用户带来多少盈利
影响推荐效果的因素
·用户交互界面
·用户对推荐系统第一感知，很重要
·案例：Teitter的“favorate”图案由star换成heart
·数据
·数据收集：有效性、全面性
·数据处理：清晰、挖掘（算法工程师值得投入的地方）
·领域知识
·产品定位、具体推荐需求的理解
·算法迭代
·锦上添花（10%~20%）、量变引起质变
