标签：特征选择 方式 原因 问题 自己 info 相关 src 数据分析
在书的“后记”部分，作者列出了Strand研究人员总结的“推荐系统十堂课”，总结了他们设计推荐系统的经验和教训。
1. 确定你真的需要推荐系统
个人评价：不是为了推荐而推荐，推荐只是手段，关键看用户价值在哪里，从用户角度出发，真正能帮助用户。
2. 确定商业目标和用户满意度之间的关系
3. 选择合适的开发人员
一般来说，如果是一家大公司，应该雇用自己的开发人员来专门进行推荐系统的开发。
4. 忘记冷启动问题
不断的创新，互联网上有任何你想要的数据。只要用户喜欢你的产品，他们就不断的贡献新的数据。
个人评价：其实说的是，先把产品的用户量提上去，有用户了，自然好收集数据了。
5. 平衡数据和算法间的关系
有句话说得很好：数据分析决定了如何设计模型，而算法只是决定了最终如何优化模型。个人评价：看数据的过程不能忽略，选择好的特征后即使用简单算法也能达到好的结果，相反，有时候效果不好可能并不是模型的原因，而是特征选择太离谱。
6. 找到相关的物品很容易，但是何时以何种方式将他们展现给用户是困难的。不要为了推荐而推荐，要以用户和商业目标为导向。
个人评价：什么时候推荐？以什么方式推荐？例如：系统频繁地弹窗让用户反感，即便弹窗的内容真的是用户可能消费的内容。
7. 不要浪费时间计算相似性去的用户，可以直接利用社会网络的资源。
个人评价：就是UserCF和利用社交网络的算法的关系。个人觉得，充分利用资源，尽量利用已有的数据（例如：社交网络的用户关系），而不是计算新的数据（UserCF的用户关系）。
8. 需要不断地提升算法的扩展性。
9. 选择合适的用户反馈方式。
10. 设计合理的评测系统，时刻关注推荐系统各方面的性能。
标签：特征选择 方式 原因 问题 自己 info 相关 src 数据分析
原文地址：https://www.cnblogs.com/eilearn/p/9888636.html
