Netflix data set : 有好幾十億的資料，若要轉成 user-item matrix
做分析，則會因為 scale 太大而難以處理。
Solution : Apply SVD ( Singular Vector Decomposition) to the matrix.
SVD 可以把原始的 matrix 降至更低維度，並且保持一些性質 (待check)。
想法 : 幫每個movie定義一個 feature vactor，vector中的每個tuple代表
此movie某方面的性質，比如動作成分佔多高要素。相對的每個user也有
preference vector，vector中的每個tuple代表對movie中的每個性質之喜
好程度。
So let user A’s preference vector is = ( 1 , 2 , -1 )
let Movie M’s feature vector is = ( 1 , 4 , -1 )
then user A’s rating on Movie M is 1*1 + 2*4 + -1*-1 = 1 + 8 + 1 = 10
Paper Recommendation :
讓使用者把自己電腦中的 paper 交給 bibagent去取得 bibtex 後，並紀
錄每篇 paper在使用者電腦中的save time。如此就可以apply time weighted
技術來 identify目前user的working set是哪些領域的paper。為了不讓user
親自去對每篇paper做rating的動作，我們可以由網路上抓此篇paper的citation
number來當做客觀的rating，or we can do it in this way :
rating of a paper = citation number / published date
So , we can designe a web for user to upload the result of the retriving data made
by bibagent , then also let user to create the FOAF-like data sheet so that we can
use those infomation to apply CF-Algo .
Another point : 針對某篇 paper，我們是否能找出對此篇paper有興趣的user set，
so that we can get recommendations more specific to the paper from the user set .
類似找專家的概念。
