正如前文所说， 本书的一个目标是建立起一套叙述个性化算法的通用表述。 虽然我们介绍了很多种个性化的应用， 但是我们发现这些模型背后都follow 一些类似的范式。
User Representations as Manifolds
我们将在本书中重新讨论的主要思想之一——它允许我们将推荐系统的思想应用于其他类型的机器学习——用户流形 （不知道怎么翻译 User Manifolds, 先用 “用户流形” 吧）。也就是说，我们将探索的大多数个性化方法都将涉及的, 描述用户活动和交互中常见变化模式的用户表示。
在推荐系统中， 用户流形可能是描述用户喜好的主要维度。 比如， 对于电影推荐系统，主要feature 就围绕着 电影类型，演员或者特效。 在本书中， 我们都会使用用户流形这个概念， 我们又用它来描述随着用户不同而变化的数据中， 不变模式的部分 (Throughout the book, we’ll revisit the idea of user manifolds, as a general-purpose means of capturing common patterns of variation among users.) 。
第五章， 我们用低维用户表示(user representations)， 来描述用户的喜好和行为，这种方法可以根据用户的喜好和行为， 进行推荐。
第八章, 会用user representations来描述用户经常讨论的内容（评论）， 或者他们的写作特点。
第九章， user representations 用来描述视觉维度， 这样我们可以对图片进行排序， 推荐或者生成个性化图片。
在各种例子中，用户表示会被用来捕捉各种特征，从饮食习惯(8.4.2)，健身习惯(7.8)，社会信任(social trust 6.4.1)或者时尚选择(9.3)。
基于上下文的个性化 与 基于模型的个性化 (Contextual Personalization and Model-Based Personalization)
尽管本书将主要涵盖显式建模用户术语的方法，但还将涵盖一些故意避免这样做的模型。
从简单的方法开始，例如“买了 X 的人也买了 Y”，许多经典的推荐方法（例如）利用用户数据，但不包括与用户关联的显式参数。然而，这些模型仍然是个性化的，因为它们将根据每个人与系统的交互方式为每个人做出不同的预测。简单的机器学习技术，例如我们在第 2 章和第 3 章中开发的那些，其中用户由一些精心设计的特征代表，也遵循这种范式。
基于模型和上下文个性化来区分这两类方法：基于模型的方法学习与每个用户相关的一组显式参数，例如上面描述的“用户流形”；这些模型通常旨在捕捉系统中用户之间的主要变化模式，通常是在低维向量方面。相比之下，上下文（有时也称为“基于记忆的”，如第 5 章所述）方法从用户最近交互的历史中提取特征。
在几种场景下，上下文个性化可能比显式建模用户更可取。在第 4 章中开发简单的推荐系统，在第 2 章和第 3 章中开发更简单的个性化模型时，我们看到个性化通常可以通过简单的启发式、手工制作的特征或相似性度量来实现。出于多种原因，此类方法有时候可能更好，比如：简单的模型可能更易于解释（因此与“黑盒”预测相比，更适合向用户展示）；或者，一开始可能缺乏足够的训练数据来从头开始学习复杂的表示。
