概要
算法 + 數(shù)據(jù)”過渡到“學(xué)件”的形態(tài)：
“可重用”的特性能夠獲取大量不同的樣本；“可演進(jìn)”的特性可以適應(yīng)環(huán)境的變化；“可了解”的特性能有效地了解模型的能力；因?yàn)槭菍＜一A(chǔ)上建立的，所以比較容易得到專家級(jí)的結(jié)果；因?yàn)楣蚕沓鰜淼氖悄Ｐ停员苊饬藬?shù)據(jù)泄露和隱私泄露的問題。
梯度下降
注：步長(zhǎng)設(shè)置需注意，設(shè)置過小收斂變慢，設(shè)置過大無法得到最優(yōu)解
SVD
奇異值往往對(duì)應(yīng)著矩陣中隱含的重要信息，且重要性和奇異值大小正相關(guān)；一個(gè)矩陣越“奇異”，其越少的奇異值蘊(yùn)含了更多的矩陣信息，矩陣的信息熵越小。
推薦算法
注：搜索、推薦、廣告本質(zhì)都是匹配用戶需求，都是解決信息過載的手段；但是解決的手段、目標(biāo)不同，因此實(shí)現(xiàn)系統(tǒng)方法也有差異。
三者差異
- 搜索要解決的是精確快速找到想要的結(jié)果。最重要的目標(biāo)是降低延遲和提高相關(guān)性
- 推薦則更關(guān)注用戶體驗(yàn)，讓用戶沉浸進(jìn)去
- 廣告則商業(yè)利益最大化為目標(biāo)
- 三者的實(shí)現(xiàn)都可抽象為：過濾候選（filter）+排序候選（ranking）+個(gè)性化輸出（personalization）
不管使用什么方法，協(xié)同過濾或基于物品屬性的推薦，都是不會(huì)被原諒的商業(yè)工具，假陽(yáng)性的錯(cuò)誤會(huì)讓用戶逐漸流失。如果系統(tǒng)過濾掉那些我們一定不喜歡的東西，而不是給我們推薦一堆東西，我們可能會(huì)更加寬容和給予更多的理解。
