Rech5 召回算法进阶

最新推荐文章于 2025-10-11 20:56:19 发布

原创

最新推荐文章于 2025-10-11 20:56:19 发布 · 1k 阅读

CC 4.0 BY-SA版权

本文是对七月在线课程召回算法进阶的一个简单笔记记录。本笔记主要围绕课上所讲常见召回方式、协同过滤、关联商品召回、基于图的Swing召回算法、Embedding召回(item2vec|node2vec)、YutubeDNN 、动态多兴趣挖掘模型MIND、多路召回融合。

U2i

基于矩阵分解、协同过滤的结果，直接给u推荐i；
指从一个用户到达一个物品，user 到item
- 一般指用户的直接行为，比如播放、点击、购买等；
- 用户查看了一个物品，就会再次给它推荐这个物品
- 结合i2i一起使用，就是用户查看以合物品，就会给他推荐另一个相似的物品，就是u2i2i路径；

i2i：

计算item-item相似度，用于相似推荐、相关推荐、关联推荐。另一种理解，从一个物品到达另外一个物品，item 到 item。
应用：头条，在下方列出相似的、相关的文章；
算法：
- 内容相似，eg：文章的相似，取标题的关键字，内容相似
- 协同过滤
- 关联规则挖掘等。
- 两个物品被同时看的可能性很大，当一个物品被查看，就给他推荐另一个物品

u2u2i

u2u2i：基于用户的协同过滤，先找相似用户，再推荐相似用户喜欢的item；从一个用户，到达另一个用户，到达一个物品
先计算u2u：两种方法
- 一是：取用户的性别、年龄、职业等人工属性的信息，计算相似性，得到u2u；
- 一是：从行为数据中进行挖掘，比如看的内容和视频大部分很相似，就可以看作一类人；
- 也可以使用聚类的方法进行u2u计算
- u2u一般用在社交里，比如微博、Facebook，推荐感兴趣的人
userB和UserC相似，如果userB查看了某个商品，就把这个商品推荐给userC；

u2i2i

：基于物品的协同过滤，先统计用户喜爱的物品，再推荐他喜欢的物品；
从一个用户，通过一个物品，到达另一个物品
- 用户查看了一个耳机（u2i），找出和这个耳机相似或者相关的产品（i2i）并推荐给用户
- 对路径的使用，已经从一条线变成两条线
- 方法：就是把两种算法结合起来，先得到u2i的数据，再利用i2i的数据进行扩展，就可以从第一个节点，越过一个节点，到达第三个节点，实现推荐
- 中间的桥梁是item

u2tag2i