读《推荐系统算法实战 黄美灵》 第四章笔记

有离线召回和实时召回（用户的行为需要实时的召回数据，然后排序推荐，整个过程应该在100ms内）
推荐系统召回方法有以下几类：
行为相似的召回：比如用户的行为对应物品的相似物品（通常是协同过滤算法）
相似用户召回：通过用户画像和用户行为，计算相似用户，可以根据KNN来得到推荐结果
内容相似召回：通过对物品内容的理解和分析，得到物品之间的相似度，然后根据用户对物品的行为得到相似物品的推荐结果，常用的方法为word2vec
这本书第二章主要接手，相似召回的协同过滤算法和内容相似召回的word2vec算法

协同过滤算法步骤：
用户评分：根据用户的行为进行打分，比如点击，喜欢，收藏，关注，投币，浏览时长，评论，转发等。对不同行为进行加权
减噪：过滤掉用户的误操作比如关注后取消，转发失败等
归一化：不同行为的数据差别大，通过归一化来降低模型优化难度和提高评估分
相似度计算：一般有同现相似度，欧式距离，皮尔逊距离，余弦相似度，jaccard相似度

通过用户-物品的打分矩阵，通过groupby flatmap 等操作得到物品同现度矩阵，然后通过同现度相似度公式得到物品相似度矩阵。当然也可以通过其它距离公式得到对应的相似度矩阵
物品-物品相似度矩阵 与 用户的评分矩阵 进行外积得到推荐结果。
具体代码，大概国庆我在写下。