1.itemcf
itemcf是一种i2i算法深度召回在飞猪旅行推荐系统中的探索和实践 - 知乎,优点是直观简单,可解释性强
介绍一下itemcf:
核心思想是为用户召回那些与历史感兴趣商品接近的商品。
做法:
1.计算物品相似度。
将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度,
2.根据用户历史偏好,推荐相似物品。
可以优化的地方
KDD-CUP 2020 Debiasing 赛道第六名方案 - 知乎
itemcf和usercf的适用场景:usercf适用于物品变化比较快的场景,比如新闻推荐。
对活跃用户进行惩罚
【推荐系统】手写ItemCF/UserCF代码,你会吗?_风度78的博客-CSDN博客
itemcf如何考虑用户行为的时间衰减?
相似度计算
召回01:基于物品的协同过滤(ItemCF)_哔哩哔哩_bilibili
点击加购行为,加购权重高,点击权重低,构造一个物品偏好分向量
2.w2v
哈夫曼编码和负采样问题
word2vec_西二旗鲁智深的博客-CSDN博客_song2vec实现
DSSM召回模型
双塔
利用tensorflow estimator API实现双塔推荐算法_零落_World的博客-CSDN博客_tensorflow 双塔
为什么多路召回
我们召回层的目的是为了尽可能的确保召回,把用户可能喜欢的都召回进来,所以基于单个的策略肯定是效果不如多个策略的,这里就引出了多路召回的概念,
python - 推荐系统-多路召回 - 个人文章 - SegmentFault 思否
itemcf:可解释性强,召回结果相对于向量召回来说更偏向于同质。
向量召回:多样性,泛化性好。