人工智能领域：推荐系统

这个智能推荐使用的也是深度学习框架tensorflow，在前面的文章中我们已经对tensorflow 以及机器学习 和 深度学习做了一个详细的介绍。下面我们就直接来分析 智能推荐这个功能的具体需求。

核心: 为什么在抖音刷的时候停不下来，因为他推的都符合你的爱好兴趣,审美。这是推荐系统的核心。

怎么知道用户喜欢什么？

传统做法： 根据用户行为点赞、收藏、评论、关注、转发、评论。都融合在推荐算法中

存在缺陷： 这种做法看似合理实际存在问题从神经网络流程来看,这种做法实际也是属于线性的,

举一例子：容易局限在一小范围内，就是纯靠这些数据比如你只给一个视频点赞了，比如舞蹈类，

就玩命给你推舞蹈类的最后就局限在这一个范围。但是抖音平台也好，快手平台也好，他的内容是

极其丰富的，会引起用户的审美疲劳，理论他不知是只喜欢这一个分类，他可能还喜欢别的，比如体育类的等等。那你为怎么不给他推啊？因为你是被这个线性的数据给限制了。

所以我们基于深度学习，深度学习基于神经网络架构，神经网络由神经元组成的。

机器学习有两大类问题：

分类问题： 图像识别（给特征他告诉你属于哪一类别的）

预测问题： 推荐系统也叫回归问题（给他特征,他给你预测可能发生的结果，比如预测房价趋势，市场就业率等）

我们要预测的是这个人可能喜欢的视频：首先我们必须要有一个特征，特征需要和结果存在因果关系。 我们选择完播率。 为什么要选择完播率 两个原因 1输入特征要和结果存在因果关系 2其他指标也有因果关系但是他很容易被刷，但是完播率很难被刷，必须从头看到尾，这个指标权重比较大。

最后我们和预测结果和现有的数据进行对比在偏差不大的情况下，我们即为数据合格。（存在偏差是一定的因为，概率学）

代码最不值钱最廉价关键是理解：可以简单看一下代码。

import pan