1. 推荐系统常用评价指标
主要讨论的是topN推荐
准确率，召回率，覆盖率（有多少物品被推荐出来了），流行度（推荐物品的流行度，计算平均流行度对每个物品的流行度取对数，因为满足指数分布）
2. 协同过滤
2.1 user base
计算两两用户的相似度，复杂度为O(U*U)
计算优化点：建立物品-用户的倒排表，物品下，每两个用户+1
关键参数K：参考最相似的k个用户的打分，k越大，越接近于热点，流行度越高，覆盖率越低，但准确率和召回率不一定
算法优化点：惩罚热门，原来分子是1的加和，改成1/log(1+物品i的热度)
2.2 item base
参数k：对指标没有明显规律（？）
对活跃的用户进行惩罚：和上面一样
哈利波特问题，对热门物品进行惩罚：所有物品都与哈利波特相似，分母加上(1-a) a指数
物品相似度归一化（重要）：对相似矩阵，按列除以每列最大值。一般来说，热门门类的物品相似度比较大，不归一化的话，容易推荐出热门物品
2.3 对比
UserCF更加社会化，反应了所在群体的喜好
itemCF更加个性化，反映了自己的兴趣
新闻推荐中，兴趣比较粗粒度，热点大家都爱看，并且新闻更新很快，基本都用userCF
在电影，书籍推荐中，兴趣比较精细
3. 隐语义模型
topN推荐的关键问题：选取负样本
一般来说，正负样本数量一样，选那些热门但是没有行为的物品
正负样本比是关键参数，负样本越多，越接近热点
一般来说，优于userCF, itemCF，数据集非常稀疏，可能会性能差
4. 基于图的模型
用户和物品，图，计算顶点的相关性
PersonalRank（？）