推荐系统----协同过滤，矩阵分解，逻辑回归，FM,FMM,GBDT+LR,LS-PLM之间的优缺点

协同过滤：

源于1992年直到2003年才被Amazon发表论文使用了

基本原理：

根据用户的行为历史生成用户-物品共现矩阵，利用用户相似性和物品相似性进行推荐

特点：

原理简单，直接，应用广泛

局限性：

泛化能力差，处理稀疏矩阵的能力差，推荐结果的头部效应较为明显

矩阵分解：

源于2006年Netflix举办推荐算法竞赛使推出的

基本原理：

将协同过滤算法中的共现矩阵分解为用户矩阵和物品矩阵，利用用户因向量和物品因向量的内积进行排序并推荐

特点：

相较协同过滤，泛化能力有所加强，对稀疏矩阵的处理能力有所加强。

局限性：

处理用户历史行为数据，难以利用其他用户，物品特征及上下文特征

逻辑回归：

基本原理：

将推荐问题装欢为类似于CTR预估的二分类问题，将用户，物品，上下文等不同特征转换成特征向量，输入逻辑回归模型得到CTR，在按照预估CTR进行排序并推荐。

特点：

能够融合多中类型的不同特征