概念篇
1.1 什麼是推薦系統？
1.1.1 能做什麼？
推薦系統可以把那些最終會在使用者（User）
和物品（Item）之間產生的連線提前找出來。
強調 “連線”，人與任何其他的連線，
其他可指人、諮詢、消費品、服務等。
1.1.2 需要什麼？
需要已經存在的連線，從已有的連線去預測未來的連線。
1.1.3 怎麼做？
機器推薦和人工推薦
1.1.4 總結
用已有的連線去預測未來使用者和物品之間會出現的連線。
1.2 你需要推薦系統嗎？
1.2.1 看產品的目的
為了建立越多連線越好的產品。
1.2.2 看產品現有連線
使用者和物品數量過多，且者使用者和物品之間連線很少。
1.3 推薦系統的預測問題模式
1.3.1 評分預測 20%
透過使用者顯性反饋，提前預測使用者對物品的打分。
存在的問題：
（1）資料不易收集
（2）資料質量不能保證
（3）評分的分佈不穩定
1.3.2 行為預測 80%
透過隱式的反饋使用者資料，進行提前預測
好處：
（1）資料比顯式反饋更加稠密
（2）隱式反饋更代表使用者真實想法
（3）隱式反饋和模型目標函式更密切
1.4 推薦系統的頑疾
1.4.1 冷啟動問題
新使用者或不活躍使用者，以及新物品或展示次數
較少的物品，這些使用者和物品，由於缺乏相關
資料，就是冷啟動問題關注的物件。
1.4.2 探索與利用問題，即EE問題
（1）全部推薦使用者感興趣的物品
（2）無視興趣，按其他邏輯推薦
（3）大部分推薦感興趣的，小部分試探新興趣 *
1.4.3 安全問題
（1）給出不靠譜的推薦結果，影響使用者體驗和品牌形象
（2）收集了不靠譜的資料，持續留存在產品中
（3）損失產品的商業利益
1.5 推薦系統中的思維模式
1.5.1 認識推薦系統關鍵元素的重要性
（1）UI人機互動設計和UE使用者體驗設計：顏值即正義 ****
（2）資料：產品的基石 ***
（3）領域知識：行業的常識和通識，如電商、音樂、
新聞等不同領域所具備知識不同，即關注點不同 **
（4）演算法：短期作用不大，但作用在長期 *
1.5.2 目標思維和不確定思維
傳統軟體追求穩定和滿足預期，強調邏輯、因果和分層；
但推薦系統追求的是指標的增長，強調目標與不確定性。
量化目標，用機率看結果。
