ByteCat

矩阵分解协同过滤算法是指利用矩阵分解的方式将用户物品共现矩阵实现降维，从而泛化预测用户物品未知位置的评分。

利用模拟数据演示如何评测UserCF的推荐结果。

前面讲的协同过滤产生的只是一个推荐列表，那么该怎么评测呢？本节介绍具体方法。

介绍关联规则挖掘技术及其如何与ItemCF在推荐系统中搭配使用。

同基于用户的协同过滤算法一致，只是从物品的角度进行推荐。给用户推荐那些和他们之前喜欢的物品相似的物品。

用户协同过滤一般是在海量的用户中发掘出一小部分和目标用户品位比较类似的，然后根据他们喜欢的其他东西组织成一个排序的目录作为推荐给目标用户。

本节主要介绍如何从一系列行为数据中收集到用户偏好。

基于用户行为分析的推荐算法也被称为协同过滤算法，即通过用户与网站不断互动来不断过滤自己感兴趣的物品。

基于内容的推荐算法理论依据主要来自于信息检索和信息过滤，是最早被使用的推荐算法。

对列中植入离散编码的隐形水印，可用于数据防篡改或数据追踪。