先介绍下的我们这边目前推荐系统的做的两个大方向：
1、基于自然语言处理的用户短期和长期兴趣+rank 排序。
推荐方法：a)、基于topic&keywrods等信息构建的video profile+用户行为+rank 排序构建的online or offline推荐.
目前我们的方向是构建：基于topic+keywords和基于item(video)上的用户行为特征构建图关系的item(video)的网状videos profile&connection。
目前构建video profile: 是基于item profile的keyword提取(Text rank+word2vec)，并构建基于keyWords和topic关系分类体系（基于keywords聚类(kmeans+word2vec)加上人工审核和自己添加）
,基于keyWords+topic信息+视频本身属性+协同过滤+关联规则等挖掘出来的信息构建videos profile&connection。
2、 基于用户画像和视频打分协同过滤推荐和item(video)相关度去热的挖掘，(偏向offline推荐方式）
推荐方法：
i)、结合应用内部的行为日志、进行统计分析构建item(video) 粒度评分矩阵的协同推荐
ii)、基于行为分析和item profile构建用户画像的协同推荐
协同推荐方法:
a)基于邻域推荐算法:UserCF&ItemCf等
b)、隐预约模型(Latent class model,后面我都简称 LCM) ,即矩阵分解模型:如SVD++,RSVD 等
这两简单介绍下的，什么是LCM?该模型将user和item关联起来，它不认为用户并不是直接对物品产生兴趣。而是用户对几个类别有兴趣，而物品属于不同的类别，
因此这个模型会通过行为数据学习出这些类别，以及用户对这些类别的兴趣。LCM和咱们目前基于用户兴趣构建的topic+keywords推荐方式很像。但是矩阵分解不好解释，控制也不好控制，
相比来说业务如果能够引入自然语言处理基础topic+keywords的推荐方式稍微好点，优化方向比较明确。是LCM 是通过用户行为分析出来的，所以人和更贴近生态规律。
目前咱们这边的个性化推荐更多的在优先做1，2等1上线后再做2，因为1的产出速度快。对于2，我们会优先挖掘去热后的关联规则挖掘(
这里会遇到说的稀疏问题：解决稀疏问题的两个算法：扩散和热传导),后期慢慢的做评分矩阵和user profile的协同过滤[优化1的不足]