抓取网页音频(基于人口统计的用户兴趣矩阵分析推荐系统（一）)

　　抓取网页音频(基于人口统计的用户兴趣矩阵分析推荐系统（一）)

　　抓取网页音频是单向向量模型，推荐算法是协同过滤模型，在最后或者第一轮会计算模型的排名。在lsh中，两个模型差异还是很大的，协同过滤会更精准。

　　协同过滤是随机森林算法中对观察到一个个特征到目标点的映射，通过特征的相似度作为评价依据，进行排序，计算排序后，再把信息也打向gbdt中。

　　协同过滤是对所有的观察结果累加后进行排序，然后根据排序重新打向gbdt中。每一次gbdt对特征求解特征重要性矩阵，进行排序，然后再把相关性值高的观察结果打向gbdt中。

　　协同过滤是个好东西，语音识别就是用它实现的。因为语音识别结果基本都是相似的，所以它的更新规律可以写出如下公式：而且似乎还可以把训练样本算成一样的，训练简单。但是注意啦，这个特征重要性矩阵没有真正对我们有用，当样本特征重要性不同时，不同特征得到的最优模型也不同，所以我们还需要一种nn网络结构来处理。（当时我就觉得这个矩阵用向量来表示不好，但是没人指正我，我能理解）特征重要性矩阵，对于模型理解的帮助非常大，一句话形容，帮助你从不同的数据集中找到最优的模型。

　　推荐算法是匹配模型推荐系统是粒度最细致的模型工具。推荐系统可以细分为query、timestep和context，一个推荐系统可以分为：1.询问用户的内容推荐；2.内容推荐给用户；3.用户查询的各种“回合”推荐。目前推荐系统上大多开发以timestep为粒度的推荐算法，主要有以下几类：1.基于人口统计的用户兴趣矩阵分析推荐系统，即基于兴趣词表的算法，marketing-drivencontextengineering2.基于产品偏好的用户兴趣矩阵分析推荐系统，即基于用户偏好的推荐算法，marketing-in-the-position3.基于用户/历史行为的兴趣矩阵分析推荐系统，即基于用户历史行为的推荐算法，customer-based4.社会化推荐，主要是recommendationfrommarketingfromsocialmedia等等。欢迎关注微信公众号：机器学习笔记本。