遗传算法包含两个步骤：1，变异；2，选择。算法在每次迭代的过程中选择对一些特征变异，然后再计算变异后的效果，好则保留变异特征。 假如已经能够完全掌握用户的数据模型，个性化推荐第一要满足精确性，根据数据模型能保证最优化精确性。但是完全基于用户数据模型相当于只有遗传没有变异，推荐显得缺乏新颖性，并且也很难发现用户的变化（毕竟用户的兴趣点也一直在变）。而如果在每次推荐中都加入一些新元素，根据用户对这些

自然语言处理中有一个定律叫做齐普夫定律。对一本书中的词语按照出现的频率排序，第k个出现的词其频率和1/k成正比。 个性化推荐中，如果把所有被推荐的商品按照推荐的频率排序，是不是也符合齐普夫定律？至少是符合广义的齐普夫定律，即商品出现频率和f(k)成正比。 个性化推荐的一个标准是有没有很好的覆盖率，即每一个商品都要覆盖。可以用熵来衡量覆盖率，即熵越大覆盖效果越好，这样优化的结果是所有商品均匀分布

基于邻域的推荐算法是一种常用的推荐算法，而基于用户特征的的邻域推荐算法是一种重要的邻域推荐算法。 用户A购买了商品B，或者对B做了流量评价等，可以用B表示为A的一个特征，这样每个用户就有多个特征，通过计算用户特征来得到用户的相似性。如果每个特征都赋值相同的权重，效果并不会很好。可以借鉴搜索引擎里面的tf/idf，对于大量被购买的商品，可以赋值较小的权重。 其实可以把用户看成是一篇文档，而用户购