推荐系统的设计

　　　　有下列三种推荐方法:

　　　　　　　　1.根据图书标签的相似性:传入参数为一个用户对象，找出这个用户所看过的书，把每本书的标签和库中其它书籍标签做比较

　　　　　　如果发现标签相似程度比较接近即可进行推荐

　　　　　　　　2.knn（k-nearest neighbor）最近邻居算法，基于用户的协同过滤方法，这个推荐一般用于在线推荐，即用户口味发生变化

　　　　　　时（通常是想看别的类别的书）。

　　　　　　　　3.根据当前分类里书的借阅量的排序：一般用于冷启动（用户借阅量过少的情况下）

　　　　　　　　

　　　　　　在线推荐系统由 2 和 3 组合构成

　　　　　　离线推荐系统由 1 2 3构成

　　

　　　　　　问题1：没有借阅记录的情况下怎么进行推荐    解决方法：利用所有图书的借阅排行进行推荐

　　　　　　问题2：借阅记录过少     解决方法:根据用户借阅过的书籍的所在分类的排序，选出前几本进行推荐

　　　　　　问题3：用户利用在线推荐时，所产生的结果怎么与离线推荐结果相结合？

　　　　　　　　　　这是个很大的问题，假定用户的喜好趋势的变化是固定的，不会因为时间特别容易改动。在用户改变喜好后，离线推荐系统

　　　　　　不能只依据用户借阅记录来进行推荐,这里就需要让它‘学习’，怎么从在线推荐系统中学习到用户喜好的变化，涉及到机器学习，专家库

　　　　　　。

　　　　　　???????????????????????????????????????????????????????????????????