主要观点：推荐系统是电商等平台的支柱，通过基于历史交互预测偏好和推荐物品实现个性化体验，利用用户的显式和隐式反馈构建。传统回归在推荐系统中存在局限性，如特征选择困难、数据稀疏和冷启动问题等，而协作过滤可解决这些问题，通过用户-物品交互学习潜在表示。
关键信息：

• 显式反馈包括评级和评论等，隐式反馈有点击等，两者各有特点。
• 推荐问题核心是用户-物品矩阵稀疏，隐式反馈增加复杂性，如Netflix Prize展示了潜在因子模型的优越性。
• 传统回归在推荐系统中受特征选择、数据稀疏和冷启动问题限制。
• 协作过滤基于相似用户有相似偏好原则，KNN和矩阵分解是其方法，KNN依赖相似性度量，矩阵分解分解矩阵。
  重要细节：
• 在Netflix Prize数据集中，多数电影只有约5000用户评级，矩阵稀疏。
• KNN的相似性度量有余弦相似度和皮尔逊相关系数。
• 协作过滤的最佳实践包括数据预处理、处理隐式反馈、解决冷启动问题（如混合模型、迁移学习、主动学习、默认推荐等）。