推荐算法学习笔记1.6:传统推荐算法-LS-PLM模型，一种端到端的推荐算法

2.1.6 LS-PLM模型

大规模分段线性模型(Large Scale Piece-wise Linear Model, LS-PLM), 又称混合逻辑回归模型（Mixed Logic Regression, MLR）模型。该方法考虑到位于不同场景的数据会对某一特定场景下的CTR分类模型照成负面影响，为了解决这一问题，该方法先对样本使用聚类函数（无监督）进行预先多分类，再用用LR模型计算样本再分片中的CTR，最终进行加权求和。

$$f(x)=\sum _{i=1}^n{\pi }_i(x){\xi }_i(x)=\sum _{i=1}^n\frac{e^{{\mu }_{i}x}}{{\sum }_{j=1}^m{e}^{{\mu }_{j}x}}\frac{1}{1+e^{-w_{i}x}}$$

其中${\pi }_i(\ast )$表示聚类得出的$x$属于某一类别的概率，$n$表示切片数（阿里巴巴给出的经验值为12）。

优点：有着端到端的非线性学习能力。在建模时引入了L1和L2范数，提高模型的泛化能力以及参数的稀疏性，使得模型的部署更加轻量级。