推荐算法：察言观色，投其所好

推荐算法

1.隐含语义分析
1）近义词的存在会导致信息检索时召回率降低。
2）多义词的存在会导致信息检索时准确率降低。
3）TF-IDF：量化关联度
①TF(Term Frequency):搜索词在本文档中越频繁越好。
②IDF:(Inverse Document Frequency):搜索词在别的文档里越少越好。
③TF-IDF:同时结合两个参数，可以实现两个目标。
④一个查询词和文档的相关性强说明：在该文档中频繁出现；其它文档中极少出现。
4）在向量空间模型中，两篇文档接近等价于夹角余弦值接近于1 。
5）隐含语义分析的数学原理与PCA技术最接近。

2.PageRank
1）PageRank的计算依据是网页与其它网页的关系。
2）在计算一个网页的PageRank值时需要考虑所有指向它的网页。
3）网络中所有网页的PageRank值的总和恒等于1。

3.协同过滤
1）显著影响协同过滤算法的场景：
①Gray Sheep：过于独特的用户，无法匹配与其相似的用户。
②Shilling Attack：恶意虚假数据的干扰。
③Cold Start：对待新用户无法使用。
2）在协同过滤算法中，需要考虑：
①与目标客户兴趣相投的；
②与目标客户兴趣相反的。
3）打分矩阵的主要特点有：
①行数较大；
②列数较大；
③较为稀疏。
4）在基于模型的协同过滤算法中，因为空缺值普遍存在，所以推荐使用朴素贝叶斯。