abcsnsnsn

---------------------------------------------------------------------------IndexError                                Traceback (most recent call last)<ipython-input-38-c16d96256a1b> in <module>----> 1 rating_norm,rating_mean = normlizeRating(rating,record)<ipython-input-37-469d9e0ead89> in normlizeRating(rating, record)      7     for i in range(m):      8         idx = record[i:] != 0----> 9         rating_mean[i] = np.mean(rating[i,idx])     10         rating_norm[i,idx] = rating_mean[i,idx]-rating_mean[i]     11     return rating_norm,rating_meanIndexError: too many indices for array: array is 2-dimensional, but 3 were indexed

线上评估，CTR和CR。

CTR：系统向用户推荐了一系列商品10次，用户点击了3次，3/10 = 0.3

CR 转换率，点击以后是否看完 。

线下评估，更专业的属佛啊

recall 和 precision

合并公式：

1

协同过滤

公式二：

推荐系统：

大公式——

推荐系统应用 课程介绍

推荐系统应用 课程介绍

推荐系统应用场景

RMSE评估模型

基于协同过滤的推荐系统的缺点

基于协同过滤的推荐系统的缺点

基于协同过滤的推荐系统的优缺点

基于内容推荐系统的优点

基于内容推荐系统的优缺点

冷启动，针对新用户，新商品

用户冷启动

1. 随机推荐

2. 不推荐信息，只有在评分后，参与评分系统才进行推荐

商品冷启动

预测用户U对商品I的评分，

预测用户U对所有商品的评分，然后进行排序，推荐评分最高的给用户U

用户之间相似度

预测用户U对商品I的评分

度量商品之间相似度的公式

推荐思路1

用户A看过哪些电影然后，根据电影内容矩阵X，推荐

推荐思路B

用户喜好矩阵Q，找到与A用户最相似的用户，看这些用户看了什么电影，然后推荐给A

推荐思路C

两个矩阵相乘

高维空间向量的距离最短，接近用户喜好

矩阵分解方法

基于内容的推荐系统 

最小化代价函数（最后项）