愿世界和平！！！
推荐系统在技术实现上一般划分为三个阶段：挖掘、召回、排序。
评分预测问题只是很典型，其实并不大众,数据难收集，属于精英问题。
行为预测，才是平民级推荐问题，处处可见。
评分预测问题之所以“虽然小众却十分重要”，这一点得益于十多年前 Netflix Prize 的那一百万美元的悬赏效应。
公元 2006 年 10 月 2 号，对于很多人来说，这只是平凡了无新意的一天，但对于推荐系统从业者来说，这是不得了的一天，美国著名的光盘租赁商 Netflix 突然广发英雄帖，放下“豪”言，这个就是土豪的“豪”，凡是能在他们现有推荐系统基础上，把均方根误差降低 10% 的大侠，可以瓜分 100 万美元。消息一出，群贤毕至。
最为著名的就是一系列矩阵分解模型，而最最著名的模型就是 SVD 以及其各种变体。
协同过滤，普通且重要。
推荐系统度过了只能使用基于内容的推荐阶段后,就有了大量的用户行为数据。这个用户物品的关系矩阵中填充的就是用户对物品的态度，但并不是每个位置都有，需要的就是把那些还没有的地方填起来。这个关系矩阵是协同过滤的命根子，一切都围绕它来进行。
协同过滤是一个比较大的算法范畴。通常划分为两类：
- 基于记忆的协同过滤（Memory-Based）:
就是记住每个人消费过什么东西，然后给他推荐相似的东西，或者推荐相似的人消费的东西- 基于模型的协同过滤（Model-Based）:
是从用户物品关系矩阵中去学习一个模型，从而把那些矩阵空白处填满
基于记忆的协同过滤的一种——基于用户，或者叫做 User-Based， User to User。
英文可以分为Personas 和 User Profile。
推荐系统一般是对用户和物品之间的匹配评分，也就是预测用户评分或者偏好。推荐系统在对匹配评分前，则首先就要将用户和物品都向量化，这样才能进行计算。
建立用户画像的关键因素：第一个是维度，第二个是量化。
推荐系统从搜索引擎借鉴了不少技术和思想，比如内容有就来自由Amazon发扬光大的，基于用户（User-based)和基于物品（Item-based）的协同过滤将推荐系统技术从内容延伸到协同关系，超越了内容本身。
后来 Netflix 搞了一个瓜分百万美元的土豪比赛，以矩阵分解为代表的评分预测算法如雨后春笋般出现。至此，机器学习和推荐系统走得越来越近，最近十年，深度学习和强化学习又将推荐系统带向了新的高度。
推荐系统也是现在热门的 AI 分支之一，但凡AI类的落地，都需要具备这几个基本元素才行：数据、算法、场景、计算力。推荐系统也不例外。有一个趋势我是确信无疑的：世界在向网状发展，万事万物倾向于相互连接构成复杂网络。复杂网络具有无尺度特点，表现是：少数节点集聚了大量连接。这个现象不陌生，叫做马太效应，社交网络粉丝数、网页链接引用量、电商网站商品销量等等，无不如此。推荐系统的使命，就是要用技术来对抗这种不平等。
一个推荐系统如何才能从 0 到 1 诞生，这需要去了解哪些知识