设想您在一家大型零售商工作，产品线经常更新，每天都有新商品上架。为什么在您的数据上使用基于内容的模型来做推荐会是一个好选择？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
推荐引擎旨在解决哪些问题？哪些数据最适合用于构建它们？了解即使在数据有限的情况下也能给出哪些有价值的推荐，并学习如何创建您自己的推荐。
了解如何利用物品属性来生成推荐。使用分类数据与文本数据在物品之间建立有价值的对比。基于用户过往偏好生成用户画像，从而为其推荐新的物品。
当前练习
通过发现与目标用户品味相似的其他用户来发掘可推荐的新物品。学习基于用户与基于物品的推荐方法——以及各自适用的场景。使用 k 最近邻模型借助群体智慧，预测用户对尚未接触过的物品可能给出的评分。
理解真实世界数据集的稀疏性如何影响推荐效果。利用矩阵分解来应对稀疏性。探索潜在特征的价值，并用它们更好地理解您的数据。最后，通过学习如何验证所学的各类方法，将模型置于严谨的检验之下。
