机器学习的一种重要应用就是推荐系统。
比如我们的淘宝推荐，豆瓣推荐，优酷电影推荐等等都用到了推荐系统。
那我们来谈一谈推荐系统的细节。
推荐系统评价指标
要了解推荐系统，先了解其评价指标。
1.准确度
precision=TP/TP+FP;
recall=TP/TP+FN
2.覆盖率
马太效应就是有的项目太火了，每次都是推荐那几个，导致有些项目一直没有被推荐。
所以我们的推荐系统要尽可能的覆盖更多的项目。
采用coverage不能很好的表达其性能；
而熵可以来衡量其覆盖率，因为只有各个的概率相同时，其才是最大熵。
3.多样性
多样性就是，假如在淘宝中，我们尽可能推荐不同类别的，比如衣服，鞋子，家具等等。
4.其他指标
算法详解
对推荐系统，目前流行的算法主要是1.基于内容的推荐；2.协同过滤。
基于内容
下面这个例子：
将书名按词划分，然后求各个的相似距离。
协同过滤
协同过滤中分为基于用户与基于项目
那么相似度是如何计算的呢？
我们来看一些基于项目的协同过滤。
老卫语录：
- 建立矩阵，矩阵的值是用户对于项目的打分。
- 计算项目之间的相似度/距离。
- 选取Top K推荐。
再来看一下基于用户的协同过滤：
老卫语录：
基于用户的协同过滤与基于项目的协同过滤大体一致，只是后者按照每行计算相似度，前者按照每列计算相似度。
基于用户与基于项目的协同过滤对比
重要的两点：
物品要远远少于用户，多对应的矩阵代价少；
物品更稳定，用户的喜好可能会随着时间变化；
冷启动
冷启动就是当有新用户或者新项目来的时候，需要对模型进行调整。
