Netflix 个性化推荐核心：排序
很多监督学习方法都能被用来设计排序模型:
Logistic 回归，
支持向量机（SVM），
神经网络
决策树类的算法（GBDT）。
另一方面，近几年来许多算法被应用到“Learn to rank(排序学习)”中，比如 RankSVM 和 RankBoost
个性化推荐用到的的机器学习算法：
线性回归（Linear Regression）
逻辑斯特回归（Logistic Regression）
弹性网络（Elastic Nets）
奇异值分解（SVD : Singular Value Decomposition）
RBM（Restricted Boltzmann Machines）
马尔科夫链（Markov Chains）
LDA（Latent Dirichlet Allocation）
关联规则（Association Rules）
GBDT（Gradient Boosted Decision Trees）
随机森林（Random Forests）
聚类方法，从最简单的k-means到图模型，例如Affinity Propagation
矩阵分解（Matrix Factorization）
消费者法则：
以数据驱动的方式来组织产品，通过创新让用户获得便利，新文化要求我们能够高效地通过实验来实践我们的想法。
消费者法则的执行：
1. 提出假设。（离线测试（机器学习算法验证优化算法，相关指标评价））2. 设计实验。（设计A/B 测试）3. 执行测试。4. 让数据说话
如何把我们的机器学习算法整合到 Netflix 以数据为驱动的 A/B 测试文化中。我们的做法是结合离线-在线测试：
在线测试之前，我们会进行离线测试，先优化并检验我们的算法。评测算法的指标：‘
采用了机器学习领域的很多种指标：排序指标（NDGC（Normalized Discounted Cumulative
Gain）、Mean Reciprocal Rank、Fraction of Concordant
Pairs）分类指标（精准度、查准率、查全率、F-score）， Netflix：RMSE（均方根误差）和其他一些独特的指标如：多样性指标。
一旦离线测试验证了一个假设，我们就准备设计和发布 A/B 测试，从用户的视角证明新的特征的有效性。如果这一步通过了，我们便将其加入到我们的主要系统中，为我们的用户提供服务。跟踪比较这些离线指标和线上效果的吻合程度，发现它们并不是完全一致的。因此，离线指标只能作为最终决定的参考。
整个创新周期：
ref:http://blog.csdn.net/bornhe/article/details/8222497