预测评分，线性回归模型。推荐预测评分高的。
基于商品的协同过滤：
基于用户的协同过滤：
相似度衡量：欧式距离、皮尔逊系数、余弦相似度。
由评分，没看过的是？，预测评分来推荐。
结合内容参数，来预测评分：
线性回归模型
建立损失函数，引入正则化项防止过拟合。对所有用户的损失函数加起来。
梯度下降法优化损失函数，更新参数。
由用户喜好参数表：可以预测电源成分。
协同过滤算法
迭代求解
基于矩阵分解
算法流程：
冷启动问题：
预测评分，线性回归模型。推荐预测评分高的。
由评分，没看过的是？，预测评分来推荐。
结合内容参数，来预测评分：
建立损失函数，引入正则化项防止过拟合。对所有用户的损失函数加起来。
梯度下降法优化损失函数，更新参数。
由用户喜好参数表：可以预测电源成分。
协同过滤算法
迭代求解
基于矩阵分解
算法流程：
冷启动问题：