在协同算法中，我们通过人或者物的相似度来推荐内容；算通过法上user与user向量的cos值，内容与内容的cos值来定义相似程度；
但是，我们协同算法的原始猜测（物以类聚，人以群分）真的击中用户的兴趣点了吗？真的准确吗；很明显不准确，因为维度不够细！要想真正了解一个人的兴趣，性格、星座、关系网、历史行为、环境等等都会产生影响，如果能够将各种特征考虑进去，我们对用户的了解就更深刻、推荐更加准确——这就是机器学习解决的问题
机器学习如何实现推荐
推荐原理
我们假设有个函数f（x）可以准确预测用户行为；通过计算f（x）的损失函数（其实类似差的平方和这种描述方程与实际偏差程度的函数）的最小值来求得最后的终极函数f（x）；通过不断的反复学习训练来调整函数参数，从而使算法更懂用户，推荐更准确!
正因为F（x）含有大量的用户特征，强大的计算能力通过机器学习算法就能对用户做出更加多维度更加准确的评估！
应用
实际运用的架构
召回：通过一些规则和特征，将内容从平台所有内容中抓取出来作为推荐内容的基础；
排序：通过算法评估出内容对于特定用户的优劣
生成列表：基于用户场景重新对序列内容进行排序，生成更适合当前的推荐列表
网友评论