- 衡量相似度的计算有多种方式，比如计算余弦相似度、皮尔森相关系数、Jaccard相似系数等等，或者通过计算欧几里得距离、曼哈顿距离、明可夫斯基距离等方式计算相似度。余弦相似度是一种简单好用的向量相似度计算方式，通过计算向量之间的夹角余弦值来评估他们的相似度，本节我们使用余弦相似度计算特征之间的相似度。在不同的场景下使用的不懂的有利于的完成更好的推荐的功能，这个科研工作的一个热点方向。那么在复杂场景下的采用的是什么样的一种的相似度的计算方法呢？
- 矩阵的升维操作的原理是什么，作用是什么？怎么样做？为了什么？
神经网络处理文本数据时，需要用数字代替文本，Embedding层则是将输入数字数据映射成了高维向量，然后就可以使用卷积、全连接、LSTM等网络层处理数据了，接下来我们开始设计用户和电影数据的特征提取网络。
- LSTM 处理的是简单的文本信息，但是如果是复杂文本信息呢？需要用什么网络处理？
- 矩阵设计成为多少维度这个是没有固定的计算方法，需要依据问题的复杂程度，训练样本量，特征的信息量等多方面信息探索出最有效的设计
- 特征融合是一种常用的特征增强手段，通过结合不同特征的长处，达到取长补短的目的。简单的融合方法有：特征（加权）相加、特征级联、特征正交等等（复杂的特征融合的方法会的有哪些的，或者是在不同的领域的中的使用特征的方式有哪一些？）。此处使用特征融合是为了将用户的多个特征融合到一起，用单个向量表示每个用户，更方便计算用户与电影的相似度。上文使用Embedding加全连接的方法，分别得到了用户ID、年龄、性别、职业的特征向量，可以使用全连接层将每个特征映射到固定长度，然后进行相加，得到融合特征。
