推荐引擎

召回和排序有各自的算法

基于用户过滤 基于内容过滤 基于画像过滤

找相似用户又是一种算法 聚类常用

看相似用户喜欢的商品（即比较概率），排序，从大概率开始推荐

用相似矩阵 衡量的用户之间，商品之间的相似度

生成相似矩阵非常耗时，可能几千个用户就要跑几个小时

如何将其转化为相似矩阵

一种方案： 对于两个人都看过的公共电影，计算他们评分的距离

推荐系统的魅力在于，针对不同的业务需求，设计方案不同

想尽办法先搞定矩阵，再关注细节

皮尔寻距离则使用协防差：

两组数据的协防差： 也可以用相关性 描述相似

现实中，可能上限标准不同，尽管ab 二人评分的欧式距离差很大，但形态相似，反而更能说明二人相似

描述相关，不能只看绝对分数，还要看分布形态

拿到矩阵后，考虑召回