Question

在本章中，我们了解了推荐引擎。我们学习了当今使用的两个主要类型的系统：协同过滤和基于内容的过滤。我们还了解了如何将它们一起使用并形成混合系统。我们也花了一些时间讨论每类系统的利弊。最后，我们学习了如何使用GitHub API，从头开始一步一步地构建推荐引擎。

我希望你使用本章中的指导来构建自己的推荐引擎，而且我希望你能找到许多对你有用的资源。我知道我找到了一些自己肯定会使用的东西。

在构建推荐引擎的旅途上，在使用本书所介绍的全部机器学习技术的旅途上，我祝你好运。机器学习打开了一个新的世界，充满了可能性，未来它将影响我们生活中的几乎每一个领域，而你，已经迈出了进入这个新世界的第一步。

[1]　译者注：Target是美国知名的零售连锁店。

[2]　译者注：这些是刚刚怀孕的母亲会经常购买的。

[3]　译者注：作者的意思是，A和C对相同项目的评分有较大差距，他们不应该有如此高的相似度。

[4]　译者注：这点不能一概而论，要根据具体的应用场景而言。

[5]　译者注：推荐引擎一般用于电子商务，所以效用矩阵里的评分通常代表购买。在其他应用场景中，“被购买”等同于“被评分”。

[6]　译者注：推荐引擎有一个重要的评估指标是能否为用户带来意外的惊喜，为其推荐他们没有想到，但确实喜欢的物品。

[7]　译者注：作者介绍的数据获取方法类似网络爬虫，从作者自己开始，获取加标的库，查看其作者，再获取该作者加标的库，如此往复，可以获取海量数据。

[8]　译者注：根据维基百科的定义，中心化之后，向量间的余弦相似度和Pearson相关系数是等价的。

[9]　由于自己标记为star，才会出现unstar的操作选项。