个性化推荐，有一些基础的认识，简要总结下。
数学和深度学习之类的，不太懂，但不影响做项目。
1.人工推荐
最常用的方式之一，编辑、运营和领导等角色，推荐什么，用户就看什么。
2.分组/聚类推荐
根据用户的信息，比如
地域（广东、湖南），给广东人推荐辣食品，大概率 不如 推荐给湖南人推荐卖的好。
用户等级（初级会员、黄金会员），等级高的会员，可能更愿意花钱买贵的商品。
职业（互联网、金融），推荐职业相关的书籍。
3.协同过滤
我们想给用户推荐东西，最合乎逻辑方法是找到具有相似兴趣的人，分析他们的行为，并向用户推荐相同的项目。
另一种方法是看看用于以前买的商品，然后给他们推荐相似的。
CF有两种基本方法：基于用户的协同过滤和基于项目的协同过滤。
4.矩阵分解
不太懂。
感觉是 用户*项目 2个维护，根据已知数据，来打分。
5.深度学习
不太懂。
但是，看网友的文章，矩阵分解和深度学习有点类似，大致如下：
算法由两个神经网络组成：一个用于候选生成，一个用于排序。
候选生成：以用户的浏览历史为输入，候选生成网络可以显著减小可推荐的视频数量，从庞大的库中选出一组最相关的视频。这样生成的候选视频与用户的相关性最高，然后我们会对用户评分进行预测。
这个网络的目标，只是通过协同过滤提供更广泛的个性化。
排序：进行到这一步，我们得到一组规模更小但相关性更高的内容。我们的目标是仔细分析这些候选内容，以便做出最佳的选择。
这个任务由排序网络完成。
所谓排序就是根据视频描述数据和用户行为信息，使用设计好的目标函数为每个视频打分，得分最高的视频会呈献给用户。
通过这两步，我们可以从非常庞大的视频库中选择视频，并面向用户进行有针对性的推荐。这个方法还能让我们把其他来源的内容也容纳进来。
如衡量推荐模型的质量？
“除了标准质量指标之外，还有一些针对推荐问题的指标：比如说召回率与准确率。”
推荐的文章，用户是否点击阅读了。
推荐的商品，用户是否浏览购买了。
无论是哪种方法，对推荐的列表，点击和购买等数据进行监测，或者AB2种推荐方式效果对比。
有了数据，推荐算法和不同用户的匹配效果就出来了。
再针对性的调整。
6.另外，我还想到一种方法。
在jd上买东西时，经常发现我买过一个东西之后，还给我持续推荐。类似的推荐，让人感觉算法很蠢。
所以，我们可以电话了解部分用户的情况，推荐了10种商品，你为啥不点击，不购买？
用户给出反馈，比如：我只买自己想买的、推荐的我已经买过了、推荐的商品价格太高、朋友买过效果不好等。
通过用户，买或不买的反馈，了解很多推荐算法需要处理的本质问题。
因此，我们的推荐算法会考虑 商品价格、他的朋友是否好评是否购买、用户的兴趣偏好、用户的地域等。
