很久没上来写blog，前两个月赶上校招季节，都忙校招去了。
这本书我早就买来了，不过我从前看过项亮的《推荐系统实践》，看这本书的目录结构和项亮那本差不多，就一直放着没看。最近在做一个推荐系统，遇到一些实际问题，想翻开项亮的书再找找灵感，不过对于自己看过了的东西，就不愿意再翻看第二遍了。恰好这本书和项亮那本很像，就直接看这本书了。顺便记记笔记，贴到这里，供更多人参考。
1. 协同过滤的推荐
基本思想：用户在过去有相同的偏好，e.g. 他们浏览或者买过相同的书，那么他们在未来也有相似的偏好。
关键问题：
（1）如何发现相似用户
（2）如何衡量相似度
（3）冷启动问题
（4）是否还有别的信息可以利用
2. 基于内容的推荐
推荐的两个目的：（1）激发用户去选择某个物品或者做某件事情——例如，诱惑用户买一本书；（2）解决信息过载问题——例如说新闻推荐，用户本身就是要看，只不过新闻太多或者找起来麻烦，最好能把用户想看的直接给他呈现出来，省得他找。
其中第二个目的和信息过滤、信息检索领域很接近。而基于内容的推荐，本质上也是基于信息检索领域的方法。
基于内容推荐的核心问题：如何得到物品的描述（无论是人工生成还是自动抽取）。进一步，用户对物品的行为，也能够转化成用户对物品的“描述”，积累之后，用户本身也相当于一个物品。借用信息检索的思路，将用户看作是一个query，那么和这个query相似的物品，排序之后，就是推荐给用户的物品。
关键问题：
（1）如何获取并不断更新用户的记录
（2）物品和用户之间的相似度计算
（3）如何自动抽取物品描述
优点：
（1）不需要大规模的用户（像协同过滤）就能够得到物品之间的关系
（2）一旦获得物品的属性就能够立刻推荐该物品给用户
3. 基于知识的推荐
某些领域中，例如消费电子领域（e.g.买手机），绝大多数的数据是单次购买记录。如果套用上述两种方法，由于数据过于稀疏，甚至无法获得推荐结果。如果我们在此种情况下还要给用户推荐的话，怎么办？
基于知识（规则、推理）的推荐方法，需要人把一些领域知识（如：规则）加入到系统当中。
完。