丰富的线上&线下活动，深入探索云世界
做任务，得社区积分和周边
最真实的开发者用云体验
让每位学生受益于普惠算力
让创作激发创新
资深技术专家手把手带教
遇见技术追梦人
技术交流，直击现场
海量开发者使用工具、手册，免费下载
极速、全面、稳定、安全的开源镜像
开发手册、白皮书、案例集等实战精华
为开发者定制的Chrome浏览器插件
推荐系统，是当今互联网背后的无名英雄。
昨天，一个名为Stats&Bots的博客详解了构建推荐系统的五种方法。
量子位编译如下：
为了简化这个任务，Statsbot团队写了一份现有的主要推荐系统算法的概述。
协同过滤
协同过滤(Collaborativefiltering,CF)及其变体是最常用的推荐算法之一。即使数据科学的新手也可以用它来构建自己的个人电影推荐系统，起码可以写在简历上。
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。
无论哪种方法，推荐引擎有两个步骤：
“最相似”在算法中是什么意思？
首先，我们只留下两个向量的值都已知的元素。
例如我们想比较Bill和Jane，已知比尔没有看泰坦尼克号，Jane没看过蝙蝠侠，于是，我们只能通过星战来衡量他们的相似度了。谁没看过星球大战呢是吧？
矩阵分解
所以我们可以用u和v的点积来估算x(第i个用户对第j个电影的评分)。我们用已知的分数构建这些向量，并使用它们来预测未知的得分。
聚类
上面两种算法都极其简单，适用于小型系统。在这两种方法中，我们把推荐问题当做一个有监督机器学习任务来解决。
现在，该开始用无监督学习来解决问题了。
业务开展之初，缺乏之前的用户数据，聚类将是最好的方法。
不过，聚类是一种比较弱的个性化推荐，因为这种方法的本质是识别用户组，并对这个组内的用户推荐相同的内容。
每个聚类都会根据其中用户的偏好，来分配一组典型的偏好。每个聚类中的用户，都会收到为这个聚类计算出的推荐内容。
深度学习
在过去的十年中，神经网络已经取得了巨大的飞跃。如今，神经网络已经得以广泛应用，并逐渐取代传统的机器学习方法。
接下来，我要介绍一下YouTube如何使用深度学习方法来做个性化推荐。
毫无疑问，由于体量庞大、动态库和各种观察不到的外部因素，为YouTube用户提供推荐内容是一项非常具有挑战性的任务。
这个任务由排序网络完成。
建立推荐系统前该知道的要点
如果你有一个庞大的数据库，而且准备提供在线的推荐，最好把这个任务拆分成两个子问题：
i.选择TopN个候选；ii.排序。
如衡量推荐模型的质量？
如果你正在使用分类算法解决推荐问题，应该考虑生成负例样本。如果用户购买了推荐的商品，你应该将其添加为正例样本，而其他列为负例样本。
要从在线得分和离线得分两个方面考察算法质量。一个只基于历史数据的训练模型，可能会导致低水平的推荐，因为算法没办法与时俱进。