北京治疗白癜风要花多少钱 http://m.39.net/pf/a_5154924.html（图片由AI科技大本营付费下载自视觉中国）
来源
读芯术（ID：AI_Discovery）
你也许每天都会逛一逛电子商务网站，或者从博客、新闻和媒体出版物上阅读大量文章。浏览这些东西的时候，最令读者或者用户烦恼的事情是什么呢？
——有太多的东西可以看，反而会经常看不到自己正在搜索的东西。
是的，网上有太多的信息和文章，用户需要一种方式来简化他们的发现之旅。如果你在经营一家电子商务网站或博客，你也许会问：有这个必要吗？
嗯……你听过漏斗吗？
用户所用的漏斗越小，产品的转换就越大。这是用户体验的基本原则。所以，如果减少步骤的数量可以增加网站页面的浏览量甚至是收入，为什么不这么做呢？
推荐系统如何提供帮助？
简单来说，推荐系统就是一个发现系统，该系统可通过分析数据向用户提供推荐。不需要用户去专门搜索，系统自动带来推荐商品。
这听起来像是魔法。亚马逊和Netflix几十年前就开始使用这种魔法了。一打开Spotify，它就已经为用户提供了一个推荐歌单（这种深度个性化推荐服务叫作DiscoverWeekly）。
深入了解推荐系统
一般来说，我们所知的推荐系统有两种——当然并不是所有的人都知道。
1.基于内容的推荐系统
这类推荐系统很容易被我们的大脑消化，而且不会出现短路或爆炸的迹象。例如，你是一个狂热的小说迷，喜欢阿加莎·克里斯蒂的《无人生还》，并从网上书店买了这本书。那么，当你下次再打开网站时，网上书店就会给你推荐《ABC谋杀案》。
为什么呢？
因为它们都是阿加莎·克里斯蒂的作品。因此，基于内容的推荐模型会向你推荐这本书。就是这么简单！那就来用一用吧！
等等……
虽然这种基于内容的推荐很容易被我们的大脑消化，看起来也很简单，但它无法预测用户的真实行为。例如，你不喜欢侦探赫丘里·波罗，但喜欢阿加莎·克里斯蒂小说中的其他侦探。在这种情况下，网站就不应该向你推荐《ABC谋杀案》。
2.协同过滤推荐系统
这种类型的推荐系统克服了上面的问题。本质上，该系统记录了用户在网站上的所有交互，并基于这些记录提出建议。
它是什么原理呢？请看下面的场景：
这里有两个用户，用户A和用户B。
用户A购买了商品1用户A购买了商品2用户A购买了商品3用户B购买了商品1用户B购买了商品3
那么协同过滤系统将会向用户B推荐商品2，因为有另外一个用户也购买了商品1和商品3，同时还购买了商品2。
你也许会说，得了吧，他们可能是偶然才一起买了那些巧合的商品。
但是，如果有个用户都与用户A有相同的购买行为呢?这就是所谓的群众的力量。
那么，你还在等什么呢？让我们开始在你的生产环境中创建协同过滤推荐系统吧！等等，先别着急！
虽然这个系统性能极佳，但在尝试创建可用于生产的系统时，它还存在几个严重问题。
协同过滤推荐系统的不足
1.它不知道用户的购物习惯。基于内容的推荐系统会根据用户的购物记录推荐相似商品，与此相反，协同过滤推荐系统的推荐并不是基于相似性。如果你关心这一问题的话，解决方案就是将两种方法混合起来，结合使用。
2.因为需要存储用户项矩阵，所以系统需要大量的硬件资源。假设你的电子商务网站有10万用户；与此同时，你的网站提供1万种产品。在这种情况下，你将需要00x000的矩阵，每个元素包含4个字节的整数。是的，光是存储矩阵，不做其他事，你就需要4GB的内存。
3.“冷启动”（冰冷的开始），该系统并不会为新用户带来好处，因为系统并不了解新用户。
4.不变性。如果用户没有在网站上进行搜索或购物，系统的推荐将一成不变。于是用户就会认为网站上没有什么新鲜东西，从而退出网站。
通过混合使用两种推荐系统可以轻易解决第1个问题，然而，其他问题仍然令人头痛。本文的目的就是解决第2、第3和第4个问题。
让我们开始吧！
使推荐系统可用于生产的终极指南
如何解决这些问题？机器本身存在限制，而且就算是根据常识，也不可能仅为小小的需求就部署一个巨大的服务器。
推荐下面这本书：
TedDunning和EllenFriedman的《实用性机器学习》
这本书告诉我们，对于一个可用于生产的系统，你不需要指望它在任何方面都具备最高精度。在实际的用例中，一个有些不准确但又可以接受的方法，通常是最有效的。
关于如何做到这一点，最有趣的部分是：
1.对通用推荐指标进行批量计算。
2.实时查询，不使用用户-商品矩阵，而是获取用户的最新交互并向系统查询。
下面我们边构建系统边解释。
Python的推荐系统
为什么选择python?因为python的语言简单易学，只需要几个小时就能理解它的语法。
foriteminthe_bag:print(item)
通过上面代码，你可以打印包里的所有项。可访问Python
