研究推荐系统心得

研究推荐系统心得

经过一个月的漫长论文阅读经历，发现自己还不是特别明确能做什么，最近在推荐系统的一个群里，有人问一个问题（对于新闻类个性化推荐，由于新闻的更新频率特别快，可能一周新闻都换了，所以基于物品的协同过滤存在缺陷。但是又没讨论出什么好的解决方法,后来说是否可以直接用LDA进行主题聚类，根据用户对主题的兴趣进行推荐，但是这种方法又太粗糙了，怎么办呢？？？）

接下来并不是要讲如何解决该问题，等我慢慢研究可能会对该问题提出解决方案


如果从学习的角度来看，我们可以通过看书。但是如果是从研究的角度，我想如果能通过实际公司遇到的问题来作为课题，这比自己去找要好很多，可以避免随机的去找论文看，最后也不知道自己做什么

从这一个月看的论文来看，真正实际解决推荐系统问题的不多，基本都是在数据归一化，特征的表示，以及不同模型的加权融合，最后得出的结论都说特别好，个人感觉真实性不是那么可靠。

基本都没讲在特别大数据或者数据更新特别快的情况下如何解决，特别是实时推荐模块，目前很多论文里的方法都不能在用户达到千万级别上进行使用，训练完的模型进行实时推荐还是特别耗时。

基于电商领域，我们的目标不是打分，而是进行top-k推荐，目前大家都用RMSE来衡量推荐系统的精确度，感觉就是被netflix比赛给带去了一个不太好的评价方向

接下来希望就是能搞一个实时的推荐系统，并且能在spark上并行加速。实时推荐响应速度很快