推荐系统开发之要考虑的问题

1.用户行为数据：
     反馈方式：显式&&隐式
     表示：用户兴趣向量
     数据预处理：大量样本存在噪声，可以去掉。
     
2.推荐方/算法
     basic的三种：content-based、collaborative filtering(user-based & item_based)
     算法优良应取决于实际的数据，不同的算法对不同的推荐系统反响不尽相同。


3.special的考虑因素
   eg：时间戳(如、可以在计算相似度时引入时间因子)
           地域特征


4. 冷启动问题：又可分为user冷启动 & item冷启动
user冷启动   
solutions：1)热门推荐（排行榜）
                     2)充分利用其他信息，如用户的来源ip、访问时间、、、
                     3)初始用户回答问题(问题选择要有代表性、选项间要有区分度)
 
item冷启动：这时content-based方法能发挥关键作用，although此方法推荐进度不够高，但其在处理item冷启动时有先天优势。


5.推荐结果展示方式：
   1）突出显示用户的关注重点：不同item的推荐，要考虑用户关注点不同；（一般包括标题、缩略图、介绍等）
   2）推荐展示的场景和位置要符合用户的行为习惯(求职社交网站LinkedIn的对比实验表明，在用户        申请完一个工作的之前或之后分别展示推荐结果，前者的点击率是 后者的10倍。在网页正中 或      右侧边栏放置推荐结果，点击率也相差5倍之多。)

   3)要提供推荐理由！！！！！(能够赢得用户的信任，进而让用户更容易接受推荐给他的结果)

   4）设置一些按钮让用户对推荐结果进行反馈(参考amazon)，不断改善用户体验。

6.明确优化目标---then衡量指标
    eg：点击率、准确率、覆盖率、多样性、新颖性、、、
    可加权折衷后进行结果测评