到目前为止，我们讲完了人工智能核心技术的第二个模块——推荐系统。

整个模块共21期，7大主题，希望通过这些内容，能让你对推荐系统核心技术有一个全面系统的认识和理解，为自己进一步学习和提升打下基础。今天我准备了21张知识卡，和你一起来对这一模块的内容做一个复盘。

提示：点击知识卡跳转到你最想看的那篇文章，温故而知新。如不能正常跳转，请先将App更新到最新版本。

现代推荐架构剖析

推荐架构需要解决的问题：

• 能够在一两百毫秒内给用户提供当前的推荐结果；
• 对用户和系统的交互结果做出响应；
• 考虑用户群体的覆盖率的问题。

简单推荐模型

基于隐变量的模型

我们通过模型的假设，知道隐变量之间的关系，但暂时并不知道隐变量的取值。因此需要通过“推断”过程来确定隐变量的实际取值。当我们知道了这些隐变量的取值之后，就可以根据这些取值来对未来的数据进行预测和分析。

隐变量往往还带有“统计分布”的假设。最简单的隐变量模型是高斯混合模型。

高阶推荐模型

推荐的Exploit和Explore算法

基于深度学习的推荐模型

推荐系统的评价

积跬步以至千里

最后，恭喜你在这个模块中已经阅读了45397字，听了138分钟的音频，获得一张新的通关卡，这是一个不小的成就。在人工智能领域的千里之行，我们又往前迈出了一步。