1.7.3　产品推荐系统

推荐系统是机器学习最常见也最容易理解的应用程序之一，从Amazon的产品推荐系统到Netflix的电影建议系统，有很多例子。大多数推荐系统的实现都基于协同过滤——一种假设，即如果A在一组问题上与B有相同的意见，A会比随机选择的第三人更有可能在其他问题上分享B的意见。这种方法建立在一个完善的算法上，这样的实现有不少，包括TensorFlow/Keras的实现[1]。

基于评级的模型的问题之一是，对于具有非缩放目标值的数据，如购买数据或频率数据，它们不容易标准化。这篇优秀的Medium帖子（https://oreil.ly/LncEo）展示了如何将此类数据转换为可用于协同过滤的评级矩阵。我们的例子利用了Data Driven Investor（https://oreil.ly/LncEo）的数据和代码，以及Piyushdharkar的GitHub（https://oreil.ly/p3TB）上描述的代码。我们将用这个例子来探索如何在Jupyter中构建一个初始模型，然后继续构建一个生产Pipeline。

[1] 样例参见Piyushdharkar的GitHub（https://oreil.ly/LFxR9）。