概要
算法 + 数据”过渡到“学件”的形态：
“可重用”的特性能够获取大量不同的样本；“可演进”的特性可以适应环境的变化；“可了解”的特性能有效地了解模型的能力；因为是专家基础上建立的，所以比较容易得到专家级的结果；因为共享出来的是模型，所以避免了数据泄露和隐私泄露的问题。
梯度下降
注：步长设置需注意，设置过小收敛变慢，设置过大无法得到最优解
SVD
奇异值往往对应着矩阵中隐含的重要信息，且重要性和奇异值大小正相关；一个矩阵越“奇异”，其越少的奇异值蕴含了更多的矩阵信息，矩阵的信息熵越小。
推荐算法
注：搜索、推荐、广告本质都是匹配用户需求，都是解决信息过载的手段；但是解决的手段、目标不同，因此实现系统方法也有差异。
三者差异
- 搜索要解决的是精确快速找到想要的结果。最重要的目标是降低延迟和提高相关性
- 推荐则更关注用户体验，让用户沉浸进去
- 广告则商业利益最大化为目标
- 三者的实现都可抽象为：过滤候选（filter）+排序候选（ranking）+个性化输出（personalization）
不管使用什么方法，协同过滤或基于物品属性的推荐，都是不会被原谅的商业工具，假阳性的错误会让用户逐渐流失。如果系统过滤掉那些我们一定不喜欢的东西，而不是给我们推荐一堆东西，我们可能会更加宽容和给予更多的理解。
网友评论