推荐算法的本质是通过一定的方式将用户与物品联系起来
  个性化推荐系统的应用：
  1，电子商务，比如亚马逊。
    亚马逊的推荐列表包含了以下元素：
    推荐结果的标题，缩略图以及其他内容属性
    推荐结果的平均分：反映了推荐结果的总体质量，也代表了大部分用户对这本书的看法
    推荐理由：为了隐私，可以禁用此理由
    亚马逊基本上是基于物品的推荐算法，这种算法给用户推荐那些与他们之前喜欢的物品相似的物品。
    另外 亚马逊除了个性化推荐列表，还有一个推荐应用就是 相关推荐列表，并且进行打包销售
  2，电影或视频网站
    比如Netflix，也是基于物品的推荐算法，即给用户推荐和他们曾经喜欢的电影相似的电影
  3,个性化音乐电台
    如豆瓣
  4，社交网络
    主要应用在三个方面：利用用户的社交网络信息对用户进行个性化的物品推荐；信息流的会话推荐；给用户推荐好友
  5，个性化阅读
    如Digg，它首先根据用户的Digg历史计算用户之间的兴趣相似度，然后给用户推荐和他兴趣相似的用户喜欢的文章
  6，基于位置的服务
    特别是移动端
  7，个性化邮件
    给邮件优先级排序或分类

  8，个性化广告
    分三种：
    上下文广告  通过分析用户正在浏览的网页内容，投放和网页内容相关的广告，比如谷歌的Adsense
   搜索广告 通过分析用户在当前绘画中的搜索记录，判断用户的搜索目的，投放和用户目的相关的广告
   个性化展示广告 根据用户的兴趣 对不同用户投放广告


  推荐系统的测评的三种实验方法
    1，离线实验
       通过日志系统获得用户行为数据，按照一定格式生成一个标准的数据集；讲数据集按照一定的规则分成训练集和测试集；
      在训练集上训练用户兴趣模型，在测试集上进行预测；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；
    2，用户调查
    3，在线实验
      经过离线实验和用户调查后，可以将推荐系统上线做AB测试，将它和旧的算法做比较。
     AB测试：通过一定的规则讲用户随机分成几组，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的算法。颍上


    评测指标（比较重点）
    1，用户满意度，这个只能通过用户调查或者在线实验获得。在线实验中，可以通过点击率，用户停留时间和转化率来度量用户的满意度。
    2，预测准确度，在计算该指标时需要有一个离线的数据集，该数据集包含用户的历史行为记录，然后分成训练集和测试集。
    评分预测：如果知道了用户对物品的历史评分，就可以从中得到用户的兴趣模型，并预测用户在将来看到一个他没有评分过的物品时，
会给它评多少分，称为评分预测。预测准确度一般通过均方根误差（RMSE）和平均绝对误差（MAE）计算。假设一个用户对物品I1实际评分是R1,推荐算法给出的预测评分是Rx1，后面以此类推，物品数量是T，那么
    RMSE=Math.sqrt( Math.pow((Rx1-R1),2) + Math.pow((Rx2-R2),2+...))/T
   MAE=Math.abs(Rx1-R1)+Math.abs(Rx2-R2)+.../T
   TopN推荐 TopN 即给用户提供的个性化推荐列表，TopN推荐的预测准确率一般通过准确率(precision)/召回率(recall)度量。
    这个和搜索中的查准率，查全率定义相似。前者越大越准，后者越大越全。
   3，覆盖率  推荐系统对物品长尾的发掘能力，简单来说就是：推荐系统能够推  荐出来的物品占总物品数集合的比例。内容商比较关心这个指标，比如我的商品有没有被推荐给用户？ 热门排行榜的推荐覆盖率是很低的，因为热门商品占总物品比重很小。
    如果所有物品都出现在推荐列表中，且出现的次数差不多，那么它发觉长尾的能力就越好    。
    有两个指标可以用来描述覆盖率：信息熵和基尼系数。公式在这里不写了。
   4,多样性 推荐列表需要能够覆盖用户不同的兴趣领域
   5，新颖性  指给用户推荐那些他们以前没有听说过的物品，网站实现新颖性的最简单办法是，把那些用户之前对其有过行为(如购买)的物品从推荐列表中过滤掉
   6，惊喜度
     新颖度仅仅取决与用户是否听说过这个推荐结果
     而惊喜度重点在于推荐的结果和用户的历史兴趣不相似，但是却让用户感到满意。
   7，信任度
     这个只能通过问卷调查的方式，询问用户是否信任推荐系统的推荐结果
    提高推荐系统信任度主要有两种方法。首先需要增加推荐系统的透明度，比如提供推荐解释；其次是利用用户的好友信息做推荐，并且用好友进行推荐解释
   8，实时性
   9，健壮性。即减小算法系统被攻击的概率
   10，商业目标
   11，总结