本文对比了协同过滤、矩阵分解、逻辑回归、FM、FFM、GBDT+LR和LS-PLM在推荐系统中的应用。协同过滤简单直接但易受头部效应影响；矩阵分解增强泛化能力，但处理多维特征有限；逻辑回归融合多种特征，但表达能力弱；FM引入二阶特征交叉，但扩展性受限；FFM强化特征交叉，训练成本高；GBDT+LR自动化特征组合，训练时间长；LS-PLM模型表达能力强，仍有提升空间。
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ÿ
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
