《推荐系统学习笔记》

推荐系统包含哪些环节？

推荐系统有哪些召回路径？

1. 2代表边，i、u、tag代表节点；
2. i2i-从一个物品到另一个物品；

Netflix经典推荐系统架构

推荐系统技术架构

怎样实现基于内容的推荐系统？

地位：最早被使用的推荐算法，年代久远，但当今仍然被广泛使用，效果良好
定义：给用户x推荐之前喜欢的物品相似的物品。即U2I2I、U2Tag2I

怎样实现用户向量和物品向量的相似度计算？

优缺点

优点：

1. 不需要其他用户的数据
2. 能给具备独特口味的用户推荐
3. 可以推荐最新的、冷门的物品
4. 容易做推荐结果的解释

缺点：

1. 很难找到能表达物品的“标签”，有时候需要人工打标签
2. 过于局限于自己的世界，无法挖掘出用户的潜在兴趣
3. 新用户如果没有行为，没法做推荐

怎样实现系统过滤的推荐系统？

推荐系统的分类

协同过滤Collaborative Filtering

使用用户行为数据，利用集体智慧推荐

实例：基于用户的协同过滤

推荐系统怎样实现多路召回融合排序？

问题：多路召回怎样融合排序？

几种多路召回结果融合排序

CTR（点击率）

推荐系统怎么实现AB实验？

为什么需要AB Test？

怎么实现AB测试？

AB测试中的常见错误

推荐系统怎样实现内容相似推荐

用户聚类推荐

聚类分析（Cluster analysis）亦称为群集分析，是一种数据点分组的机器学习技术。给定一组数据点，可以用聚类算法将每个数据点分到特定的组中。
推荐思路：将用户进行聚类，给每个聚类推荐该人群喜欢的内容。

聚类技术实现流程

用户聚类推荐的优缺点

推荐系统怎样实现矩阵分解协同过滤？

推荐系统的分类

矩阵分解

矩阵分解：指将一个矩阵分解成两个或者多个矩阵的乘积，意义层面的解释为通过隐性特征（latent factor）将user兴趣与item特征联系起来

矩阵分解-真实数据流动

矩阵分解的优缺点

推荐系统API服务接口长什么样子？

推荐系统的两大场景

API接口要完成的任务

整个推荐系统只有一个大接口，通过HTTP+JSON的方式对外提供服务

API接口设计

推荐系统怎么解决物品冷启动问题？

物品冷启动：新加入系统的物品，因缺少行为数据而无法被扩散推荐
在注重时效性的场景是问题，比如新闻类应用

解决物品冷启动的问题

方法1：基于物品相似算法的U2I2I，类似功能：看了还看、相关推荐

方法2：抖音内容推荐算法，多级流量池机制，实际上是基于行为方法的试探

当今推荐系统极其重要的Embedding技术

Embedding：近几年推荐技术研究的前沿、重要的、大量论文攻克的一个技术方向，并且在真实应用中收获了非常好的效果

• Embedding是什么东西？
• Embedding有什么用途？
• 怎样使用数据生成Embedding？
• 使用Embedding有什么技术难题？

Embedding 是什么东西？

怎么使用Embedding？

怎样使用数据生成Embedding？

1、基于内容的word2vec的Embedding
上图就是Item2vec算法的实现过程
2、协同过滤矩阵分解的方法
3、DNN深度学习的方法

使用Embedding的技术难题？