在第二个模块中，我们将研究基于降维和矩阵因式分解方法的新型协同过滤技术，所有这些技术都受到 SVD（奇异值分解）的启发。我们将了解基于内存的推荐系统和基于模型的推荐系统之间的区别，讨论它们的局限性和优势。特别是，我们将学习如何将基于内存的基本矩阵因式分解算法转化为基于模型的方法。我们还将分析一个新的重要参数，即潜在特征的数量。我们将学习如何选择正确的潜在特征数量，以提供个性化推荐，并降低历史数据过度拟合的风险。

在第三个模块中，我们将了解如何将两种或两种以上的基本算法（如协同过滤和基于内容的技术）结合到一个混合推荐系统中，以提高推荐质量。我们将研究不同的混合方法，从最简单的启发式方法到更复杂的机器学习方法。有了混合技术，我们就能用内容或上下文信息来丰富协作推荐系统的输入。

在第四也是最后一个模块中，我们将介绍一种新的高级协同过滤技术，即因式分解机（Factorization Machine，FM），并了解在使用这种技术时应如何表示输入数据。只需一个数学模型，根据输入表的构建方式，我们就能创建一个简单的矩阵因式分解算法，或一个复杂的带有侧面信息（上下文、项目属性或用户属性）的协同过滤算法。我们还将讨论基于矩阵因式分解算法的优势和关键问题。在本模块结束时，您将知道如何使用调频来混合不同类型的过滤技术，以及如何平衡不同类型的输入信息，利用系数和权重来做出更好、更复杂的预测。

RecSys Challenge 是培训能力的最佳方式： 这是一个实践练习，提供了一个 "动手 "的机会，让您能够很好地利用和改进在本课程中学到的知识（边做边学）。应用领域是一家网上商店，我们提供的数据集包含从一家网上超市收集的 4 个月的交易数据。竞赛的主要目标是发现用户会与哪个商品进行交互。 RecSys 挑战赛是选修课，不是通过课程的必要条件。如果完成挑战赛，您将在课程证书上获得荣誉称号。