简单的推荐系统(线性分类器的一种)（就是所说的打分系统）

---

这个例子后来发现其实是错误的，不过应该可以用吧

---

以一个餐厅推荐系统为例。
·····对于每一个餐厅，人们会对其进行评论，就会产生很多的句子（所以不是打星）。我们把所有的评论句子弄成一个个的小短句，寻找对我感兴趣的短句，和短句里面的关键词（关键词就是对餐厅带有正面和负面的词）（并不是特征，因为这里没有特征这一个说法。理由见3）。提前规定（自己规定）每个关键词的权重。然后对关键词进行简单的相加，若求和的值大于0，就是积极的，否则就是消极的。
·····打个比方，我想去一家寿司店，我想吃的是寿司。然后餐厅推荐系统就会找到所有的寿司店，对于每一个寿司店进行如下操作。
1. 把这一家寿司店的所有评论提取出来，然后把句子都分成一个个小短句。由于我想吃的是寿司（而不是拉面），所以系统再次仅仅把短句子中关于寿司(而不是拉面)的评论都提取出来，仅对这些句子分析，不管拉面的评论。
2. 我们自己提前定义关键词，并对每一个关键词赋予权重。（注意关键词和权重是人来定义的，不是像其他的分类问题（logistic,svm）那样用train_data训练出来的。究其原因，我们这里没有“特征”这一个说法）。我们想要的仅仅是对“寿司”的所有评论。我们可以定义 ‘good’打1分，‘great’打2分,‘bad’打-1分，而这些都只是对“寿司”这一个的评价
3. 注意，这里没有“特征”这一说法。因为我们想要的仅仅是对“寿司”的所有评论。不像logistic,svm那样，他们会对餐厅提取特征，比如说 服务员的态度，餐厅卫生情况，食物味道，离我现在位置的距离等等，还要有一些train_data来训练参数,即有的餐厅已经被明确标记为“好餐厅”，“坏餐厅”。但是这样做出来的仅仅是对这个餐厅的总体评价，而我只是想吃一份寿司罢了。
4. 我们把对餐厅寿司的所有分数加起来，如果大于0，表示该餐厅的寿司是“积极的”，否则就是“消极的”
5. 最后，把所有“积极的”寿司推荐给我。

这个打分系统可以类比于阿里天池比赛中 购物推荐系统一样。