一、引言 在推荐系统中，一个重要的任务不仅是预测用户是否会喜欢某个物品，还包括 找到与该物品相关的其他物品。 例如： 在电商网站上，用户正在浏览一双运动鞋，系统可能会推荐“相关商品”，如运动袜或同品牌的运动衣。 在视频网站上，用户看完一部爱情片，系统会推荐更多类似题材的影片。 这种“查找相关项目”的
一、均值归一化简介 均值归一化（Mean Normalization） 是一种常见的数据预处理方法。它的核心思想是：将原始数据减去其均值，使得数据的中心值变为 0，从而消除不同数据之间的整体偏移。 在推荐系统中，用户的打分习惯差异很大：有些用户习惯给高分，有些用户则普遍打低分。如果不做处理，模型可能
一、二元标签简介 在推荐系统中，并不是所有场景都会有用户的明确评分（比如 1 到 5 星）。更多时候，我们只能观察到用户是否产生了某种行为，例如是否点击、是否购买、是否点赞。这类数据往往用 二元标签（Binary labels） 来表示。 所谓二元标签，就是把用户的行为转化为 0/1 的结果： 1
一、协同过滤算法简介 协同过滤算法是一种常见的推荐系统方法，它的核心思想是“物以类聚，人以群分”。也就是说，如果两个用户在过去对某些物品的兴趣相似，那么他们对其他物品的兴趣也很可能相似。换句话说，用户的行为和偏好可以相互参考。 通俗理解： 就像你会向朋友请教电影推荐：如果你和朋友过去喜欢的电影很接近
一、用户—电影评分矩阵 在推荐系统中，最常见的任务就是预测用户对物品（这里是电影）的
一、概括 这篇文章主要围绕如何根据数据分布选择合适的特征展开。通过直方图和分布曲线对比，展示了非高斯分布的数据在经过对数、平方根、幂次等数学变换后，能够更接近高斯分布，从而提升模型的表现。文章强调了理解数据特征分布的重要性，并介绍了常见的特征变换方法，为构建更稳健的机器学习模型提供思路。 二、非高斯
一、异常检测与监督学习的核心区别
一、带标签数据在异常检测中的评估作用
