1.1 什么是推荐系统
在用户没有明确需求时，帮助他们发现感兴趣的新内容。
推荐算法的本质是通过一定的方式将用户和物品联系起来，而不同的推荐系统利用了不同的方式。
1.2 个性化推荐系统的应用
个性化推荐系统需要依赖用户的行为数据。
尽管不同的网站使用不同的推荐系统技术，但总地来说，几乎所有的推荐系统应用都是由前台的展示页面、后台的日志系统以及推荐算法系统3部分构成。
常见的应用有：电子商务、电影/视频网站、个性化阅读、短视频等。
1.3 推荐系统评测
准确的预测并不代表好的推荐。比如说，该用户早 就准备买《C++ Primer中文版》了，无论是否给他推荐，他都准备购买，那么这个推荐结果显然是不好的，因为它并未使用户购买更多的书，而仅仅是方便用户购买一本他本来就准备买的书。 那么，对于用户来说，他会觉得这个推荐结果很不新颖，不能令他惊喜。同时，对于《C++ Primer 中文版》的出版社来说，这个推荐也没能增加这本书的潜在购买人数。
1.3.1 推荐系统实验方法
三种评测推荐效果的实验方法：离线实验、在线实验和用户反馈
离线实验：
(1) 通过日志系统获得用户行为数据，并按照一定格式生成一个标准的数据集;
(2) 将数据集按照一定的规则分成训练集和测试集;
(3) 在训练集上训练用户兴趣模型，在测试集上进行预测;
(4) 通过事先定义的离线指标评测算法在测试集上的预测结果。
在线实验：
AB测试是一种在线的分组测试方法。并对不同组的用户采用不同的算法，然后通过统计不同组用户的各种不同的评测指标比较不同算 法，比如可以统计不同组用户的点击率，通过点击率比较不同算法的性能。
用户反馈：
1.3.2 评测指标
1. 用户满意度
2. 预测准确度
3. 覆盖率
4. 多样性
5. 新颖性
6. 实时性
1.3.3 评测维度
用户维度：活跃度、新用户等
物品维度：物品属性，新物品等
时间维度：季节、假期、周末等