一文带你了解推荐系统常用模型及框架

Posted 2022-08-30 timerring

可以看KDD会议，最新推荐系统论文。

推荐系统概述

传统推荐模型Old school Model

协同过滤模型

通过对用户之间的关系，用户对物品的评价反馈一起对信息进行筛选过滤，从而找到目标用户感兴趣的信息。

用户---商品的评分矩阵（该矩阵很可能是稀疏的）

用户\\物品
	x		x
	x	x
		x	x

行向量表示每个用户的喜好，列向量表明每个物品的属性

基于评分矩阵（行列）计算相似度，以下是计算相似度的一些方法：

• 余弦相似度
• 皮尔逊相关系数
• 欧氏距离
• 曼哈顿距离

主要有基于用户的协同过滤与基于物品的协同过滤。

矩阵分解模型

矩阵分解为两个低秩的矩阵的乘积，通过分解后的两矩阵内积，来填补缺失的数据。

优点:思路简单，可以方便完成预测;

缺点:很难增量训练（当样本激增时，可能要重新搭建矩阵），特征融合难;

这里k是个隐因子，相当于是一个超参数。

逻辑回归模型

对预测用户是否会“点击商品”进行分类。转成一个分类模型。

优点:模型简单，可解释性强，训练速度快(SGD梯度下降);

缺点:模型建模能力有限（没有考虑特征之间的相关性，以及特征之间的交叉），需要人工特征工程;

特征交叉模型

PLOY2

推荐系统 | 一文带你了解协同过滤的前世今生

一文简单理解“推荐系统”原理及架构

一文带你了解编码集

一文带你了解大数据技术之Hadoop

一文带你了解 Vim 的起源

云原生与Go 微服务实战学习笔录- 一文带你了解云原生架构演进及设计思想