推荐系统概念与思维

1.1.什么是推荐系统：

推荐系统是一种信息过滤系统，手段是预测用户对物品的偏好

1.2：推荐系统三大问题

 1.2.1他能做什么？
 它会帮助我们把用户和物品之间的链接提前找出来
 1.2.2他需要什么？
 他需要目前已存在尽可能多的链接
 1.2.3他要怎么做?
  它是预测用户评分还有偏好

1.3是否自己公司需要推荐系统

1.3.1产品的目的：如果一款产品的目的是为了找出越来越多的链接name它就是需要一个推荐系统
1.3.2产品现有的链接：如果当前公司产生的链接数可以人工计算或者修正那就是不需要推荐系统

1.4推荐系统问题模式

推荐系统的使命是为了用户和物品建立链接，需要提前将那些可能的链接找出来这就是一个预测问题：
预测问题分为了两个模式：
1：评分预测：预测链接产生的强度
2：行为预测：预测是否会产生链接
1.4.1：评分预测：
评分预测就是根据用户过往的消费完物品给该物品打出的评分，通常是1-5分。然后我们根据用户的评分找出用户那些还没有被消费的物品，然后推荐给用户。
我们应该首先建立一个模型，这个模型会对用户之前打过的评分进行预测，预测评分然后和实际评分有差距。然后我们在依据算法动态调整模型。让误差变小。
RMSE
均方误差:均方根误差是均方误差的算术平方根

均方误差越小越准确。
评分预测问题常见于各种点评类产品，但评分类推荐存在以下问题
1：数据不易收集。用户给出评分以为这用户已经完成了前面所有的漏斗环节
2：数据质量不能保证。伪造评分数据门槛低，同时真实的评分数据又在漏斗底层，收集门槛高。
3：评分数据不稳定，整体评分在不同时期差别会很大，个人评分在不同时期标准不同，人和人之间的皮评分差别也很大。
用户给出的产品评分数据叫作显式反馈。因为用户非常清晰明白地告诉我们。他们对这个物品的态度。与之相对的有·隐式反馈通常就是类用户行为。也就是一类推荐系统问题---------行为预测
1.4.2 行为预测：
行为预测就是用户从登陆到购买收藏产生的一系列点击行为数据。常见·的行为预测有两种：
1：CRT预测 2：预测物品的相对顺序
行为预测简单说，就是利用隐式反馈数据预测隐式反馈发生的概率。通常各种互联网产品高度重视隐式反馈。总计有以下原因：
1：隐式反馈相对于显示反馈数据要庞大的多。数据是一种漏斗形。显示反馈处于最底层。
2：隐式反馈里面展现出了用户更加多的数据，方便我们挖掘。例如新出的苹果我们并不想购买但是依然相关于他的信息。
3：隐式反馈容易做AB测试。