nth-child的基本用法
在CSS中，我们经常使用:nth-child伪类来选择某个元素的特定顺序。它的语法如下：
:nth-child(n)
其中n是一个整数，表示要选择的元素在其父元素中的顺序。例如，:nth-child(3)表示选择父元素中第三个子元素。
使用nth-child选择最后n个元素
然而，在CSS中，并没有提供直接选择最后n个元素的:nth-child伪类。但是，我们可以使用一些巧妙的方法来实现这个功能。
方法一：使用:nth-last-child
我们可以使用:nth-last-child来选择最后n个元素。它的语法与:nth-child类似：
:nth-last-child(n)
其中n是一个整数，表示要选择的元素在其父元素中从尾部数的顺序。例如，:nth-last-child(2)表示选择父元素中倒数第二个子元素。
例如，如果我们想选择最后3个段落元素并设置它们的背景颜色为黄色，可以这样写：
p:nth-last-child(-n+3) {
background-color: yellow;
}
方法二：使用:nth-child和:nth-last-child的组合
我们也可以使用:nth-child和:nth-last-child的组合来选择最后n个元素。具体的做法是，首先选择从第n个开始的所有元素，然后再排除前面的n-1个元素。
例如，如果我们想选择最后4个段落元素并设置它们的背景颜色为绿色，可以这样写：
p:nth-child(n+5):nth-last-child(n+5) {
background-color: green;
}
这里的n+5表示从第五个开始的所有元素，然后通过:nth-last-child(n+5)排除父元素中除了最后4个元素之外的所有元素。
示例
为了更好地理解如何选择最后n个元素的方法，下面我们给出一个具体的示例。
假设我们有一个包含10个段落元素的父元素，并且我们想选择最后3个段落元素并将它们的字体颜色设置为红色。那么我们可以这样写：
这是第一个段落。
这是第二个段落。
这是第三个段落。
这是第四个段落。
这是第五个段落。
这是第六个段落。
这是第七个段落。
这是第八个段落。
这是第九个段落。
这是第十个段落。
.container p:nth-last-child(-n+3) {
color: red;
}
这样，最后3个段落元素的字体颜色将被设置为红色。
总结
在本文中，我们了解了CSS中如何选择最后n个元素。虽然CSS并没有直接提供:nth-child来选择最后n个元素的方法，但我们可以通过使用:nth-last-child和组合选择器的方式来实现这个功能。希望本文能够帮助您更好地理解和应用CSS中的选择器。
基于内容的推荐算法_基于内容的个性化推荐算法
本文介绍基于内容的推荐算法(Content-based Recommendation)。
基于内容的推荐算法(以下简称“内容推荐算法”)只有一个关键点——标签(tag)。推荐算法将产品分解为一系列标签,并根据用户对产品的行为(例如,购买、浏览)将用户也描述为一系列标签。
内容推荐算法的原理:
1. 将产品分解为一系列标签。例如，一个手机产品的标签可以包括品牌、价格、产地、颜色、款式等。如果是自营b2c电商，一般可以在产品入库时手动打标签。
2.基于用户行为(浏览、购买、收藏)计算每个用户的产品兴趣标签。例如,用户购买了一个产品,则将该产品的所有标签赋值给该用户，每个标签打分为1;用户浏览了一个产品，则将该产品的所有标签赋值给该用户，每个标签打分为0.5。计算复杂度为：已有产品数量×用户量。该过程为离线计算。
3. 针对所有新产品，分别计算每个用户的产品标签与每个新产品的相似度(基于cosine similarity)。计算复杂度为：新产品数量*用户量。该过程为在线计算。
从可行性角度,一个应用场景是否适合用内容推荐算法取决于：
1. 是否可以持续为产品打标签。
2. 标签是否可以覆盖产品的核心属性？例如，手机产品的标签一般可以覆盖消费者购物的核心决策因素，但是女装一般比较难(视觉效果很难被打标)。
内容推荐算法的优势：
1. 推荐结果可理解：不仅每个用户的核心兴趣点可以被标签化(便于理解每个用户的兴趣),并且可以在每一个推荐结果的展示中现实标签,便于消费者理解推荐结果(如下图红框)。
2. 推荐结果稳定性强：对于用户行为不丰富的产品类型(例如，金融产品)，协同过滤很难找到同兴趣用户群或关联产品，在相似度计算中稀疏度太高。然而，内容推荐主要使用标签，标签对用户兴趣捕捉稳定性要远远高于单个产品。
3. 便于人机协作：用户可以勾选或者关注推荐标签，从而通过自己的操作来发现自己的个性化需求。
内容推荐算法的劣势：
1. 不适合发现惊喜：如果一个产品不易于被标签穷举或描述产品的标签还没出现，则该产品很难被准确推荐。
2. 在线应用计算复杂度较高:需要基于每个用户来计算相似产品。
