- 隐式反馈比显式反馈
显示反馈指的是行为就是表明态度，兴趣，比如点赞，评论，投票。
就是用户发出这些行为时并不是为了表达兴趣/态度，只是在正常行为。
- 隐式数据更加稠密
- 隐式数据更能反应用户的真实意向
- 理解数据
目标，问题往往需要依靠人去定义，这样的话，需要很了解数据背后的业务，数据的含义。
- 为模型定义好学习任务
- 是用什么数据
- 怎么定义目标
- 如何衡量结果
- 注意可解释性
这里其实就是说推荐要展示出理由给用户，让用户知道每一项推荐的项目是怎么得到的。
比如Quora的feed推荐给出的“被你关注的人投票”的理由：
比如Quora给出的推荐话题给出的“被你关注的人关注”的理由：
比如Netflix给出的“因为看过给出好评的电影而推荐”的理由：
- 利用矩阵分解
Xavier Amatriain很推崇Matrix Factorization，因为它既有监督学习，又有无监督学习。
两种学习方法就这样结合在一个算法里：
它可以用来降维，这部分通常是PCA这样的无监督学习算法承担的，矩阵分解得到的隐因子就是降维后的特征，可以直接作为其他学习算法的输入；
它还可以做聚类，比如Non-negative Matrix Factorization就常常用来做聚类；
SVD就是一种回归，标准的监督学习。
矩阵分解还有一些变种：ALS（交替最小二乘），SVD++（结合特征的SVD），FM（因子机），TF（张量分解）。
总之，在推荐系统里，使劲压榨矩阵分解的效果。
- 利用集成模型
Netflix的冠军模型，那可是100多种算法集成在一起的，真是应了那句话：比你效果好的模型还比你更努力。
实际上任何推荐系统也不可能是单一算法在起作用，而是多种算法集成在一起。集成方法理论上不会比你其中那个最好的算法差。在推荐系统中，你至少可以集成基于内容推荐和协同过滤两种。
本质上，集成算法是把某个模型的输出变成另一个模型的特征。如果你很难决策到底用哪个算法时，千万不要纠结，所有的都用，然后集成之。
集成还有一个好处就是：某个推荐算法可能更适合某个场景下，这样被集成的算法就可以各自handle各自擅长的场景，最后集大成。
具体集成方法可选的很多，如logistic regression，GBDT，Random Forest，ANN。
- 做好特征工程
- 复用性
- 可解释性
- 可靠性
Xavier以Quora的答案排序为例，举了一些他们现在用到的特征算是好特征：
一个是答案本身的特征，如回答的质量；第二个是互动类型的特征，如投票，评论；还有用户特征，如他在某个话题下的专业程度。
深度学习给了另一种全新的特征工程之路，也是值得探索的，或许是人工特征工程的终结者，拭目以待。
