推荐系统我认为可以用两个字来概括：揣摩。
就像男生追求心仪的女生一样，她的一举一动都牵动着男孩的心，从中了解女生的所思所想，让女生觉得你是如此懂我。要细致入微地观察，搜集关于女生的所有信息，不光要知道她喜欢和不喜欢什么，还要能预测她将会喜欢什么。追女生如此，想吸引用户眼球亦是如此，
我们使用的手机app，大部分都使用了推荐系统，推荐系统不仅帮助电商营销，另一方面也帮用户过滤海量信息，以最快的方式呈现给用户他们心里所想的服务。我个人认为目前电商使用的推荐系统，推荐的信息往往是自己之前搜索过的物品，而很多时候这件物品我已经在上次搜索后就购买了，再给我推荐就没有太大意义，不智能。
那么怎样的推荐系统才足够智能呢？我觉得是能根据一些信息而对我进行画像，之后准确预测我将来要购买什么物品，从而提前想我所想。比如我购买了帐篷，头灯这两样东西，大概知道我应该是个要去露营的人。那么接下来应该给我推荐除这两样之外和露营相关的东西：便携式的气罐，睡袋，防潮垫…
接下来说说用户反馈的信息是哪两类：
1、明显表达对某事物的喜好，比如我对淘宝的好评还是差评，这是显式反馈；
2、我刷今日头条时点击了推送的新闻，并且从头到尾阅读完毕，这一类属于隐式反馈。
推荐系统有哪些显而易见的难点：
1、稀疏性，比如我只在豆瓣上评论过两部电影，但是豆瓣电影有上万部，如何根据这些信息更好地揣摩
2、冷启动，面对新用户，新系统和新产品时该怎么做
如何解决这些问题：
1、社交网络（social networks）：一个用户对某个物品感兴趣，他的朋友可能也会对该物品感兴趣；
2、用户/物品属性（attributes）：拥有同种属性的用户可能会对同一类物品感兴趣；
3、图像/视频/音频/文本等多媒体信息（multimedia）：例如商品图片、电影预告片、音乐、新闻标题等；
4、所处的场景：用户-物品交互的时间、地点、当前会话信息等。
/u011630575/article/details/80941776
这篇文章提供一种把知识图谱融合到推荐系统的方法：构建两类知识图谱，一类是项目知识图谱，比如我是电商，我要对我的商品都构建图谱，包括物品，物品与物品，用户与物品；一类是用户图谱，我要对用户，用户与用户之间，用户与物品之间构建图谱。
两类方法：1、就是挖掘物品和用户细粒度的属性，找到他们之间隐含的关系，比如挖掘到我是户外爱好者，而迪卡龙卖的物品就是面向户外爱好者的，那么向我推荐迪卡龙的东西会引起我的购买欲望；
2、从开放链接中挖掘用户信息，比如从音频，视频，文本来挖掘，或者根据我所处的场景来分析我。比如我上午11：30正在刷着抖音等待下班，本想着就随便吃一碗面，但是抖音考虑到临近饭点，给我推荐了一条附近冒菜点美味冒菜的视频，我看了之后立马改变主意去吃了冒菜。
