1. 系统描述：
数据集一共3个，每一个的格式和排版都不同。一共100条笑话，6万个用户。评分区间从
-10到10，缺省值为99。目标是给每一个用户推荐新的笑话。
2. 实施思路：
在预处理阶段，我把三个数据集合一成<user-id , joke-id , rank >元组形式储存，把0到10的
用户评分依次加1，然后把缺省值99改为0。
在实施阶段，我用LFM和item-base模型两种方法分别完成用户推荐。在LFM（Latent
Factor Models）中，随机选取70%用户作为训练数据，剩余作为测试数据。然后，对用户评分 矩阵做隐藏因子分解，其中隐藏因子分别取值为10、20、50和200。损失函数为交叉熵，学习 率为0.0001。在item-base中，用sklearn框架生成item特征矩阵，然后对缺省值进行补全。在 推荐阶段，依次对每一个用户补全的高于5分评分的笑话推荐给用户。
