u013717571的博客

继上篇embedding讲解之后，本文主要讲解了embedding在推荐模型召回层上的应用，其中包括双塔模型结构，和双塔模型作为召回的具体实现demo代码见：https://github.com/WUYvonne/model_zoo/tree/main/DSSM...

FFM原理简介

1、FM模型原理2、FM模型损失函数关于损失函数可参考：​​​​​​【机器学习】log loss、logistic loss与cross-entropy的关系_littlemichelle-优快云博客3、FM模型训练4、手动实现FM二分类例子代码中使用的是随机梯度下降法：Git地址：https://github.com/WUYvonne/model_zoo/tree/main/FM参考文档：https://zhuanlan.zhihu.c...

如果数据量小，推荐策略不需要太复杂，一般情况，没有百万级用户不需要推荐。推荐系统中包括两个主要模块，召回和精排。召回：从百万甚至千万级别物品中快速，全面的迭代出百级别的候选物品，数据候选集大，模型特征简单，考虑时间开销和时效性，所以一般采用多路召回。精排：对召回结果进行精细化打分，推荐给用户，一般使用复杂的模型和特征。一、从系统架构方面考虑，分为离线和在线部分 离线架构 （1）内容源的收集与规范，（如淘宝的商家上架的物品，头条中的文章（一般需经过人工审核后进入非结构化数据库..

写此专栏，是为了总结我对推荐系统这块的学习路线，从机器学习到深度学习的演变，包括文档演示和具体代码。（图一）我画了一个思维导图，如图一所示，这一小节，先介绍协同过滤，代码地址：model_zoo/CF at main · WUYvonne/model_zoo · GitHub共现矩阵定义如下：共现矩阵（5个用户评价了6个商品，评分为1~10的整数值，0表示评分不存在） 　 item_id item_1 item_2 item_3 item_4 i.