学习那点事儿

个性化推荐个性化推荐根据用户兴趣和行为特点，向用户推荐所需的信息或商品，帮助用户在过载信息中快速发现真正所需的商品，提高用户黏性，促进信息点击和商品销售。推荐基于海量数据挖掘分析的商业智能平台，推荐主要基于以下信息：–热点信息或商品–用户信息，如性别、年龄、职业、收入、所在城市–用户历史浏览或购买行为记录–社会化关系 推荐发展历程–1995年3月，卡耐基.梅隆大学的

熵在维基百科上解释：点击打开链接在信息论中，熵被用来衡量一个随机变量出现的期望值。它代表了在被接收之前，信号传输过程中损失的信息量，又被称为信息熵。信息熵也称信源熵、平均自信息量。一篇论文中将熵作为检测噪声的指标：本文[1]定义了熵来描述用户模型评分的变化程度, 熵的定义如下: 用户模型Pu 可表示为统计集合Xu= { ni , i= 1, 2, ,, rm

最初的时候，只是单纯的认为恶意评分的用户才是推荐系统中要主要检测出的，忽略了其实有些噪声用户，胡乱评分的用户也对推荐系统影响推荐准确度。  这段时间，自己没事瞎琢磨的，论文方向选择的是关于推荐系统中托攻击检测的研究，推荐系统方面也看过几篇论文，不过，对于“托”攻击检测则不是很多。“托攻击”顾名思义就是一些虚假的用户，类似生活中“托儿”。在日益激烈的电子商务网站的竞争中，推荐系统给网站带来了较大的利

交叉验证是一种常用的模型选择方法。         如果给定的样本数量充足，进行模型选择的一种简单方法就是随机地将数据集切分成三部分，分别为训练集（trainning set ）、验证集（validation set） 和测试集合 （test set） . 训练集用来训练模型，验证集用来模型的选择，而测试集用于最终对学习方法的评估。在学习到不同复杂度的模型中，选择对验证集有最小预测误差的模型，