标签：面向 技术 进一步 大量 标签 重要 如何 读书笔记 维度
推荐就是发掘用户集合和对象集合的语义关系，为用户提供语义最相关的 TOP-N 对象集合。
语义关系就是能读懂用户偏好兴趣的核心。
推荐系统是面向具体业务的交叉研究，无业务讲推荐系统，感觉言之无物；从技术来讲，不同的数据、不同的场景就会有不同的结果；
用户画像粒度如何控制？
是给一群人打上文艺男的标签，还是直接给单个人打上文艺微胖男或者文艺知性女的标签? 标签间的关系是什么？
如用户每个时段的观影 稳定性 定量 是多少
用户画像更倾向于对同一类用户进行不同维度的刻画，对同一个电商的买家进行用户画像设计，就是将买家进一步细分和具象，如闲逛型用户、收藏型用户、比价型
用户、购买型用户等。
静态画像：用户注册等基本属性信息。可用于基于人口统计学的推荐，
动态画像：丰富的大量的用户行为日志。兴趣模型：推荐系统通常会部署特定的模块来捕捉用户的观影习惯、记录用户观影记录，
从数据的角度看，用户画像就是一个对原始数据二次计算重构后的新数据，对计算增加了负担，对存储也增加了负担。所以一开始必须经过逻辑设计，从而才能确定数据结构方面的设计。
用户的一次观影行为包括人物、时间、地点、事件等要素。每一次的用户观影行为本质上是一次随机事件，可以描述为：什么用户，在什么时间，在什么地点，观看了什
么电影。“什么用户”涉及对用户的标识；时间则包括两个重要信息，时间戳与时间跨度，其中，时间戳标识用户行为的发生点，时间跨度则标识了用户行为的持续时间，地
点体现了用户观影的渠道，便于做推荐结果的推送。
标签：面向 技术 进一步 大量 标签 重要 如何 读书笔记 维度
原文地址：https://www.cnblogs.com/quietwalk/p/8880854.html
