搜索和推荐，都是为了解决信息过载的问题
搜索依赖query，但是推荐依赖用户的行为数据
推荐系统评价指标包括很多，可以通过离线计算，在线计算，用户问卷获取。
利用用户行为数据；主要是显性反馈行为（如打分，明确）和隐性反馈行为（不明确，数据量大）
实验评估指标：召回率，准确率，覆盖率
基于邻域的算法：
usercf，用户a 相似的top N 个用户喜欢的物品，推荐给 a
度量用户之间的相似性；优化方案，优化相似性度量，惩罚热门物品
适合于用户固定且不是很多的场景（因为要计算用户相似度矩阵），难以解释
itemcf，不适合物品更新很快的场景。
度量物品之间的相似性；优化方案，优化相似性度量，惩罚热门用户（或者直接忽略）
归一化相似度，提高覆盖率。可解释性好。适合物品相对固定，用户量很大的场景。
UserCF 更加社会化，ItemCF 更加个性化
隐语义模型 LFM：通过隐含特征联系用户和物品
对于某个用户，找到他的兴趣分类，然后从分类中找到他喜欢的物品。隐语义模型采取基于用户行为统计的自动聚类。
ps：隐性反馈数据集上，如何生成负样本：1，保证正负样本的均衡，2，对每个用户采样负样本时，要选取那些很热门，而用户却没有行为的物品
计算方法：
难以实时推荐，经典LFM 模型每次训练都需要扫描所有的用户行为记录，才能计算用户隐类向量和物品隐类向量。而且需要在用户行为记录上反复迭代才能获得较好的性能。训练比较耗时，一般一天训练一次，并且计算出所有用户的推荐结果。从而不能因为用户行为的变化，实时调整推荐结果来满足用户最近的行为。
新闻推荐中，冷启动问题明显，大量的新闻生命周期很短，因此需要改进。
和 基于邻域的方法比较：
理论基础：LFM 拥有比较好的理论基础，是一种机器学习方法，通过优化一个设定的指标来计算模型参数。基于邻域的方法，更多的是基于统计。
离线计算的空间复杂度：基于邻的方法，需要维护一张离线的相关表，占据很大内存（O(N * N ) 或者 O(M * M)），但是 LFM, 如果是 F 个隐类，那么需要的存储空间是 O(F * (M + N))， 可以很大的节省内存。
离线计算的时间复杂度：没有质的差别
在线实时推荐：LFM在给用户生成推荐列表时，需要计算用户对所有物品的兴趣权重，然后排序，返回权重最大的n 个物品。在物品数较多时，时间复杂度非常高，可达 O (M * N * F) 。因此，LFM 不适合物品数特别大的系统，可以先给用户计算一个比较小的候选列表，然后使用 LFM rerank。而且，lfm 生成用户推荐列表太慢，不能在线实时计算，需要离线计算用户的推荐结果。无法实时。需要修改。
推荐解释：LFM 不具有好的解释性。
基于图的模型：
推荐系统冷启动问题：
利用用户标签数据
用户给物品打标签，这个标签一方面描述了用户的兴趣，另一方面表示的物品的语义。从而将物品和用户联系起来。
