推薦就是發掘用戶集合和對象集合的語義關系，為用戶提供語義最相關的 TOP-N 對象集合。

語義關系就是能讀懂用戶偏好興趣的核心。

推薦系統是面向具體業務的交叉研究，無業務講推薦系統，感覺言之無物；從技術來講，不同的數據、不同的場景就會有不同的結果；

用戶畫像粒度如何控制？

是給一群人打上文藝男的標簽，還是直接給單個人打上文藝微胖男或者文藝知性女的標簽? 標簽間的關系是什麽？

如用戶每個時段的觀影 穩定性 定量 是多少

用戶畫像更傾向於對同一類用戶進行不同維度的刻畫，對同一個電商的買家進行用戶畫像設計，就是將買家進一步細分和具象，如閑逛型用戶、收藏型用戶、比價型

用戶、購買型用戶等。

靜態畫像：用戶註冊等基本屬性信息。可用於基於人口統計學的推薦，

動態畫像：豐富的大量的用戶行為日誌。興趣模型：推薦系統通常會部署特定的模塊來捕捉用戶的觀影習慣、記錄用戶觀影記錄，

從數據的角度看，用戶畫像就是一個對原始數據二次計算重構後的新數據，對計算增加了負擔，對存儲也增加了負擔。所以一開始必須經過邏輯設計，從而才能確定數據結構方面的設計。

用戶的一次觀影行為包括人物、時間、地點、事件等要素。每一次的用戶觀影行為本質上是一次隨機事件，可以描述為：什麽用戶，在什麽時間，在什麽地點，觀看了什
麽電影。“什麽用戶”涉及對用戶的標識；時間則包括兩個重要信息，時間戳與時間跨度，其中，時間戳標識用戶行為的發生點，時間跨度則標識了用戶行為的持續時間，地
點體現了用戶觀影的渠道，便於做推薦結果的推送。

《用戶網絡行為畫像》讀書筆記（一）