本文收录在推荐系统专栏,专栏系统化的整理推荐系统相关的算法和框架,并记录了相关实践经验,所有代码都已整理至推荐算法实战集合(hub-recsys)。
通往机器学习算法工程师的进阶之路是崎岖险阻的,为了系统化的记录自己在推荐系统方向的学习和实践经验,特意开启了这个专栏进行了记录,主要涵盖「推荐系统基本概念」、「经典推荐算法」、「深度推荐算法」三大部分,并从原理和结构,优势和不足,实践和应用等方面探讨各个算法模型。【更新填坑ing ~】
专栏目录
-
1. 系统概述
- 1.1
-
2. 经典推荐算法
- 2.1 内容过滤
- 2.2 协同过滤(Collaborative Filtering, CF)
- 2.2.1 Memory-based CF
- Item-based CF
- User-based CF
- 2.2.2 Model-based CF
- 矩阵分解(Matrix Factorization, MF)
- 自动化特征工程(GBDT+LR)
- FM
- FFM
- 2.2.1 Memory-based CF
- 2.3 混合推荐
-
3. 深度推荐算法
- 3.1 Embedding+MLP 结构下的浅层改造
- FNN(Factorization Machine supported Neural Network)
- PNN(Product-based Neural Network)
- NFM(Neural Factorization Machines)
- ONN(Operation-aware Neural Networks)
- 3.2 双路并行的模型组合
- wide&deep(Wide and Deep)
- deepFM(Deep Factorization Machines)
- 3.3 复杂的显式特征交叉网络
- DCN(Deep and Cross Network)
- xDeepFM(Compressed Interaction Network)
- AutoInt(Automatic Feature Interaction Learning)
- 3.1 Embedding+MLP 结构下的浅层改造