最近接到一个大四学长的毕业设计，他准备做一个推荐商品的模型。使用的数据集时Amazon商品评论数据集。
接到需求时，客户是要求基于评论做推荐，因为之前有做过NLP相关的项目，也看过一些推荐系统的介绍，就爽快的答应了。
首先经过调研，推荐系统分为两种：基于项目（商品）和基于用户 =====引申出还有基于两者混合的
按照我的理解：
基于用户的推荐系统就是，查找相似的用户，看相似的用户买了些什么，然后推荐给对象。
基于项目的推荐系统就是，查找相似的商品，找到相似（排序）的商品，然后推荐给对象。
对于这个数据集我看到github上有很多人把两者都分别实现了一次。深入了解后，我觉得两者各有利弊。所以我在想，如果不是特别复杂，就做一个混合的。
初步构思
1.首先将各个商品的相似的计算出来，得到每个商品与商品之间相似度，然后排序，得出每个商品与其最相似的N个商品
2.计算对应用户评论与该商品下其他用户评论的相似度，然后得出最相近的n个人的nn个商品。
3.模型接受（商品id，用户评论），然后将1、2步得出的商品加权排序，得出推荐列表
ps1.商品相似度由评论来计算（这里是根据主题词来计算还是余弦相似度计算，待考虑）
ps2.客户要求使用Pytorch来做，所以我准备使用Bert做词嵌入（相似度的计算就使用余弦相似度吧）
施工ing