推荐系统

为推荐系统选择正确的推荐算法非常重要，而可用的算法很多，想要找到最适合所处理问题的算法还是很有难度的。

没有一种筛选和推荐系统让我们绝对满意，因为它减少了我们选择的力量和意义。

“推荐系统不是只有眼前的苟且，还有诗和远方的田野”。这也是在推荐和广告界被大量研究的EE问题（Exploit & Explore），Exploit就是眼前的苟且，Explore就是诗和远方的田野。

心生向往是因为机器学习在很多方面都已经展现出其魅力，在人工智能的领域比如说AlphaGo，计算机视觉领域的人脸识别,车牌识别，靠近生活的有推荐系统,用户画像，情感分析等等,都或多或少用到机器学习的知识。

运营是一门艺术，更是一门技术。

推荐系统的核心是为用户提供个性化的内容。而实现的方式不外乎根据用户的历史行为去预测未来的潜在点击。一个成功的推荐系统，一般要从两个维度体现它的价值：一是帮助用户发现没接触过但会喜欢的有新鲜感的内容;二是提升平台的点击活跃程度，让长尾内容得到更充分的曝光。

随着移动互联网的兴起，用户的很多行为逐渐从PC端转向移动端。人们花在手机上的时间越来越多。

亚马逊在业内有「推荐系统之王」之称，亚马逊有35%的销售额是与推荐系统相关的

在生活中我们怎样给别人推荐呢？

今年618，京东技术部门的最大变化，京东集团CTO张晨的总结是：“从技术上，去年重点在保障，今年重点是大数据驱动业务效率提高，和用户体验的提高”。

推荐系统的搭建是个复杂工程，涉及到实时计算、离线计算，以及各种数据采集、流转等，对自建推荐系统来说，更是很有困难。
为了帮助大家做好内容知识储备，云栖社区收集整理了一批学习资料，希望对大家学习推荐系统有所帮助，内容主要包括杂志、优秀的知乎问答、优秀图书及优秀博文。

社交网络中，好友推荐随处可见，这里探讨好友推荐是如何做的。 1、三元闭包理论 说到好友推荐，就不得不谈三元闭包理论。 三元闭包定义：在一个社交圈内，若两个人有一个共同好友，则这两个人在未来成为好友的可能性就会提高。 举例说明，若B、C有一个共同好友A，且B、C不认识，则B、C成为好友的几率会增加 这个理论直观自然，可以从机会、信任、动机上来解释： B、C是A…

整理了一些推荐系统的基本概念以及一些有代表性的简单的算法，作为初探总结，也希望能抛砖引玉，给同样想入坑的伙伴们提供一些思路。

在信息时代的今天，大数据为用户获取方方面面的信息提高了效率，更可以智能的帮助用户从海量内容中快速找到想要阅读的信息，或者从海量商品中快速找到想要购买的商品。

在第一篇文章我们介绍了推荐系统的优点，大致可以把推荐系统分为两种类型：基于内容的推荐系统和协同过滤推荐系统。