深度学习推荐系统-----1

推荐系统进化之路

传统推荐模型的演化关系图

 

 

传统推荐模型的发展主要由以下几部分组成

1，协同过滤算法族：仅利用用户和物品之间的显示或隐式反馈信息，包括基于用户的协同过滤（UserCF)，基于物品的协同过滤（ItemCF)，矩阵分解模型(MF)，以及衍生出的各个矩阵分解模型的分支

2，逻辑回归族：逻辑回归能够利用和融合更多的用户、物品以及上下文特征。从LR模型衍生出的模型，包括增强了非线性能力的大规模分片线性模型，由逻辑回归发展出来的FM模型，以及与多种不同模型配合使用后的组合模型。

3，因子分解机模型族：因子分解机在传统的逻辑回归的基础上，加入了二阶部分，使得模型具备了进行特征组合的能力，更进一步，在因子分解机的基础上发展出来的域感知因子分解机，则通过加入特征域的概念，进一步加强了因子分解机特征交叉的能力。

4，组合模型：为融合不同模型的优点，将不同模型组合使用，构建推荐模型。如GBDT+LR

 

 

 

注：王喆老师的《深度学习推荐系统》学习笔记-----1