本章包括：
。介绍第一个Recommender
。推荐引擎的精确度评估
。评估一个引擎的准确度和召回
。在一个现实的例子Grouplens上评估一个Recommender
每天我们都形成对许多事情的看法，这些事情有我们喜欢的，不喜欢的，甚至不关心的。这是在不知不觉中发生的。当你在收音机上听到一首歌，你注意它，要么因为它引人注意，要么因为它听起来很糟糕，要么可能完全没有注意它。T恤，色拉，发型，滑雪场，容颜，电视节目都是相同的事情。
虽然大家的品味经常在变，但他们都遵循一定的模式。人们往往喜欢的事情，类似于他们喜欢的其他事情。因为我喜欢吃熏肉、生菜、番茄组成的三明治，你可以猜到我想吃总会三明治，它们通常是拥有一样的火鸡的三明治。同样，大家往往喜欢大家喜爱的类似的事情。当一个朋友进入设计学校的时候，他看到几乎所有其他设计专业的学生，都拥有一台苹果电脑，这并不令人惊讶，因为她已经是一个终生Mac用户
其实我们可以利用这些模式来预测，某些喜欢的和不喜欢的事情。如果我们让一个陌生人站在你的面前，问你是否知道她喜欢第三部《Lord of the Rings film》？除了猜测，你可能没有更好的办法。但是，如果她告诉你，她喜欢前两部电影。如果她不喜欢第三部，那是不可能的。换一句话，如果她说她讨厌这部电影，或者我们会问“天哪，怎么可能”。你可以直接猜到第三部电影肯定在她喜欢的列表上。推荐器几乎可以预测到这些模式，并利用他们来发现你不了解的新的，令人满意的事情。
。介绍第一个Recommender
。推荐引擎的精确度评估
。评估一个引擎的准确度和召回
。在一个现实的例子Grouplens上评估一个Recommender
每天我们都形成对许多事情的看法，这些事情有我们喜欢的，不喜欢的，甚至不关心的。这是在不知不觉中发生的。当你在收音机上听到一首歌，你注意它，要么因为它引人注意，要么因为它听起来很糟糕，要么可能完全没有注意它。T恤，色拉，发型，滑雪场，容颜，电视节目都是相同的事情。
虽然大家的品味经常在变，但他们都遵循一定的模式。人们往往喜欢的事情，类似于他们喜欢的其他事情。因为我喜欢吃熏肉、生菜、番茄组成的三明治，你可以猜到我想吃总会三明治，它们通常是拥有一样的火鸡的三明治。同样，大家往往喜欢大家喜爱的类似的事情。当一个朋友进入设计学校的时候，他看到几乎所有其他设计专业的学生，都拥有一台苹果电脑，这并不令人惊讶，因为她已经是一个终生Mac用户
其实我们可以利用这些模式来预测，某些喜欢的和不喜欢的事情。如果我们让一个陌生人站在你的面前，问你是否知道她喜欢第三部《Lord of the Rings film》？除了猜测，你可能没有更好的办法。但是，如果她告诉你，她喜欢前两部电影。如果她不喜欢第三部，那是不可能的。换一句话，如果她说她讨厌这部电影，或者我们会问“天哪，怎么可能”。你可以直接猜到第三部电影肯定在她喜欢的列表上。推荐器几乎可以预测到这些模式，并利用他们来发现你不了解的新的，令人满意的事情。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
