想学习推荐系统，如何从小白成为高手（https://www.zhihu.com/question/23194692）里有一个回答说：
“关于推荐系统，如果忘掉所有的公式和代码，忘记所有的语言描述，脑海里就剩下几张图景，会是什么？
一张二维表格，一个拓扑图，一条时间线。
这三幅图景，是我看待推荐算法的三种视角，分享给大家便于理解。”
这其中的表格就是基于用户对商品评分的表格。
正好前面有写过协同过滤和SVD一些算法，就能都串起来了：
协同过滤算法主要分为两类，一类是基于邻域的方法(neighborhood methods)，另一类是隐语义模型(latent factor models)。
基于邻域的方法就是协同过滤里最经典的user-based和item-based：见前面的 https://www.jianshu.com/p/23f03233e26c
基于隐语义模型的就是SVD的众多方法：
SVD：需要填充到一个较为稠密的矩阵，然后奇异值分解，再取较大的k个奇异值对应的m*k k*k k*n的三个矩阵，有点感觉不出这个的意义在哪，明明已经用均值填充到稠密了，然后再基于这个填充的矩阵做SVD，弄一个近似出来
FunkSVD（又称Latent Factor Model）：找到合适的矩阵分解来最小化训练集的误差，可以加上正则避免过拟合太严重，从此MF开始大放异彩
BiasSVD：每个分数可能有来自整体的bias，有来自用户的bias，有来自商品本身的bias，把这些bias拿出来，剩下的分数再用矩阵分解的方式建模
SVD++(结合邻域和BiasSVD)：这里大概的思想是把每个分数里可能来自领域的再拿出来，并且也做矩阵分解，但是怎么分的我还没弄太明白
加入时间信息的SVD：比如BiasSVD，就把每个值都看做时间的函数，随时间衰减。
