这里的特征可以用不同的方式表示，比如可以表示为文章的一个属性集(比如对于书籍，属性集包括作者、出版社、主题和关键词等。)，它们也可以表示为latentfactorvector，可以通过前面提出的LatentFactorModel来学习。在本章中，我们将讨论一个重要的特征表达式:标签。
4、数据分析、数据挖掘、数据统计、OLAP之间的差异是什么?OLAP和统计学的区别在于，它的查询需求是由数据分析师自己灵活定义的，而不是由程序员编写的后台程序。OLAP的核心是维度，可以说是多维分析。它允许分析师从不同角度、不同粒度查看数据仓库中的数据，所以它的本质是查询数据，但这个查询也是有技巧的。在了解业务之后，我们需要提出相应的假设，然后通过具体维度的数据来验证假设是否正确。
方法是查询数据。OLAP的模型是指多维数据模型，用哪些维度来描述分析对象，OLAP的建模是指选取哪些维度。而数据挖掘主要不是查询，而是做更多的计算，比如分类，回归就是拟合计算，寻找标签等特征的规律，形成模型。数据挖掘算法会有很多迭代计算，比OLAP计算复杂得多。另外，数据挖掘做的更多的是探索性分析，分析之前没有任何假设。所以数据挖掘往往能发现一些被人类经验所忽略的因素。
5、数据挖掘-支持向量机supportvectormachine(SVM)是一种优秀的分类技术，也可以用于回归分析(SVR)。这项技术可以很好地应用于高维数据，避免维度灾难。SVM的一个特点是用训练集的子集来表示决策边界，称为支持向量。SVM的核心目标是找到分类中的最大边超平面，并使其成为决策边界。那么什么是最大边超平面呢？
6、数据挖掘导论是指通过算法从大量数据中搜索隐藏信息的过程。其中，机器学习是支持数据挖掘的主要手段。是指机器通过一定的策略学习历史数据后，通过建立模型做出一定的预测或识别的能力。模型中的损失是对不良预测的惩罚，损失是一个数值。如果模型预测更准确，损失会更低。训练模型就是通过标记样本学习所有权重和偏差的理想值，尽可能减少损失。
能够有意义地总结各种损失。比如MSE(均方误差):指每个样本的平均平方损失。使用数据集训练模型时，一部分用于训练，另一部分用于验证。它分为训练集和测试集。通常情况下，70%的数据集分为训练集，30%为测试集。另外需要注意的是，对于有时间序列的数据集，需要按照时间来划分。划分数据集后，需要在训练集上进行调整，在测试集上可以不断调整模型。缺点是，由于不断使用测试集来调整模型，模型可能会过拟合。
7、数据标签化王兴说我们已经进入了互联网的下半场。前半段，互联网时代初期，你永远不知道对面坐的是谁。那时候大部分人都是QQ的早期用户。到了下半年，互联网公司已经不新鲜了，大部分公司都已经互联网化了。他们已经在使用互联网来推广他们的产品，并使用电子商务来销售他们自己的商品。这两年引领下半场发展的，是那些在讲“大数据”、“赋能”的企业。他们有数据和用户。
通过消费数据的分析，告诉企业什么时候生产什么产品，最大程度的满足用户的需求。告诉我们如何通过生活大数据为餐饮企业乃至房地产企业选址，如果互联网的前半段是粗糙的运营，那么就不需要考虑细节，因为有流量红利。那么下半年，精细化运营将是一个长期的主题，有了数据和数据分析能力，用户才能获得更好的体验。所以用户是根本，是数据分析的出发点。
