Q1：描述一个推荐系统？
- 推荐系统是信息过滤系统的一个子类，它试图预测用户对项目的评级或偏好。
- 推荐系统通常使用协同过滤和基于内容的过滤中的一种或两种，以及其他系统，例如基于知识的系统。
Q2：基于知识的推荐系统与基于协作和基于内容的推荐系统有何不同？
- 基于内容和协作系统的推荐主要基于历史数据。
- 基于知识的系统的推荐是基于用户对他们想要什么的直接说明。基于知识的系统的一个重要区别特征是对特定领域的高度定制。这种定制是通过使用以约束或相似性度量的形式对相关领域知识进行编码的知识库来实现的。
Q3：协作推荐系统和基于内容的推荐系统有什么区别？
- 【协同过滤】使用的是系统记录的用户行为，它用消费过物品的用户来表征物品，计算相似。相比基于内容的一般效果较好，因为本质是基于共现，能发掘物品某种层次上的相似关系，这种关系很难从内容维度刻画；而【基于内容推荐】则侧重于通过对象的内容信息，建模属性，来进行匹配建模进而寻找相似的用户或者商品。
Q4：推荐系统中有哪些特定场景的挑战？
- 在时间数据、基于位置的数据和社交数据等不同领域中，推荐的上下文起着至关重要的作用。开发上下文推荐系统的概念是为了解决这些领域中出现的附加信息。
- 一些特定领域的应用程序是基于上下文的推荐系统、时间敏感的推荐系统、基于位置的推荐系统和社交推荐系统。
Q5：什么是基于模型的协作方法？
- 基于模型的协作方法仅依赖于用户-项目交互信息，并假设一个潜在模型来解释这些交互。
- 例如，矩阵分解算法包括将巨大而稀疏的用户-项目交互矩阵分解为两个较小且密集的矩阵的乘积：用户-因子矩阵（包含用户表示）乘以因子-项目矩阵
Q6：讲述基于内容的推荐系统的基本组成部分
- 预处理和特征提取：基于内容的系统被广泛用于各种领域，例如网页、产品描述、新闻、音乐特征等。在大多数情况下，从这些不同的源中提取特征，将它们转换为基于关键字的向量空间表示。这是任何基于内容的推荐系统的第一步，它是高度特定于领域的。
- 基于内容的用户配置文件学习：基于内容的模型特定于给定用户。因此，构建了一个特定于用户的模型，以根据用户购买或评价项目的历史来预测用户对项目的兴趣。为实现此目标，需要利用用户反馈，这可能以先前指定的评级（显式反馈）或用户活动（隐式反馈）的形式表现出来。此类反馈与项目的属性结合使用以构建训练数据。在此训练数据上构建学习模型。生成的模型称为用户配置文件，因为它在概念上将用户兴趣与项目属性相关联。
- 过滤和推荐：在这一步中，从前面的步骤中学习到的模型用于为特定用户推荐项目。这一步需要非常高效，因为预测需要实时执行。
Q7：如何理解图卷积算法？
Q8：简述DeepFM模型？
Q9：怎么将知识图谱引入推荐系统？
Q10：普通的逻辑回归能否直接用于大规模的广告点击率预估？
Q11：FTRL在准备训练数据（特征工程）和训练模型时有哪些trick？
Q12：已知基于数据驱动的机器学习和优化技术在单场景内的A/B测试上，点击率、转化率、成交额、单价都取得了不错的效果。 但是，目前各个场景之间是完全独立优化的，这样会带来哪些比较严重的问题 ？
Q13：描述推荐系统中的基于邻域的算法
Q14：推荐系统使用基于邻域的方法有哪些优势？
Q15：如何在基于用户和基于物品的邻域推荐系统之间进行选择？
Q16：***基于内容的推荐系统*的基本结构是什么？
Q17：如何为文本输入创建推荐系统？
Q18：在为推荐系统收集数据时，您如何维护用户隐私？
Q19：如何使用朴素贝叶斯模型设计协同过滤的推荐系统？
Q20：推荐系统应该如何在不断变化的环境中工作？
Q21：计算广告和推荐系统之间有什么区别？
Q22：多臂老虎机（Bandit）方法对计算广告的重要性是什么？
Q23：基于内容的推荐算法与基于协同过滤的推荐算法有什么区别？
Q24：SVD可以用于推荐系统吗？
Q25：SVD如何用于协同过滤的推荐系统？