一、前述
推薦系統是企業中常用的技術，所以系統的掌握推薦系統的知識是很有必要的。本專欄主要講述手機APP下載的專案。
常用的推薦方法有兩個，分別是基於物品的推薦和基於使用者的推薦。
基於使用者的推薦原理是：跟你喜好相似的人喜歡的東西你也很有可能喜歡（userBaseCF）。
基於物品的推薦原理是：跟你喜歡的東西類似的東西你也可能喜歡（itemBaseCF）。
我們這裡用到的是itembaseCF，本質是依據特徵找使用者喜好規律。
顯式的使用者反饋：這類是使用者在網站上自然瀏覽或者使用網站以外，顯式的提供反饋資訊，例如使用者對物品的評分，或者對物品的評論。
隱式的使用者反饋：這類是使用者在使用網站時產生的資料，隱式的反應了使用者對物品的喜好，例如使用者購買了某物品，使用者檢視了某物品的資訊等等。
本專案基於隱式的使用者反饋。
二、協同過濾演算法詳述
結論：對於使用者A，根據使用者的歷史偏好，這裡只計算得出一個鄰居使用者C，然後將使用者C喜歡的物品D推薦給使用者A
結論：基於使用者的推薦（長虛線）---1和5比較相似，5買了104商品，所以把104推薦給使用者1。
基於物品的推薦（短虛線）---101物品和104物品比較相似，所以當使用者買了101，把104也推薦給他。
三、lambda架構（所有推薦系統的父架構）
四、本文系統架構
lmbda架構（手機APP下載）
解釋：1.選用邏輯迴歸演算法原因是使用者要麼下載，要麼不下載。
2.生成特徵索引（實際上是一個文字檔案）的原因是格式化測試資料，也是相當於降維，當一個userId進來時找到推薦服務，然後通過服務路由去查詢HBase中的資料，並根據特徵索引來取對應的特徵，所以這一步相當於一個降維。
線上架構（測試集架構）：
關聯特徵：儲存的是同現矩陣。
流程：核心思想（計算使用者對所有APP（除去歷史下載部分）的評分，按分值排序，然後取topn）
問題：
五、需求分析（架構推薦方案）
1、資料清洗（得到訓練資料）
2、演算法建模（得到模型結果）
3、模型使用（得到推薦結果）
4、結果評估（推薦結果評估）