常用推荐算法实现（包括召回和排序）

目前工业界常用的召回排序模型主要有：

召回模型

（1）基于内容的召回

使用item之间的相似性来推荐与用户喜欢的item相似的item。

（2）基于协同过滤的召回

协同过滤主要可以分为基于用户的协同过滤、 基于物品的协同过滤、基于模型的协同过滤（如矩阵分解als、svd、svd++等等）。

（3）基于关联规则召回

基于关联规则召回通常有频繁模式挖掘，如Apriori、Fpgrowth等模型

（4）基于深度学习模型的召回

基于深度学习模型的召回也称之为embedding向量召回(每个user和item在一个时刻只用一个embedding向量去表示)的一些经典方法，其主要思想为：将user和item通过DNN映射到同一个低维度向量空间中，然后通过高效的检索方法去做召回。常见的模型有：NCF模型、Youtube DNN召回、 双塔模型召回、MIND模型等等。

（5）基于图模型召回

基于图模型召回有二部图挖掘，如simrank；Graph Embedding模型，如DeepWalk、node2vec等模型。

（6）基于用户画像的召回

基于用户画像的召回主要根据用户画像如品牌偏好、颜色偏好、价格偏好等偏好信息召回。

（7）基于热度召回

 排序模型

（1）基于传统的机器学习模型

基于传统的机器学习模型如LR、SVM等模型。

（2）基于树模型

基于树模型有gbdt、RandomForest、xgboost等。

（3）基于交叉特征模型

基于交叉特征模型有fm、ffm、lr+gbdt等

（4）基于深度学习模型的排序

基于深度学习模型的排序有widedeep、dcn、deepfm等。

实现

目前包含召回和排序各阶段，各种算法的实现，均可运行；由于工作闲余时间写的，有点乱，后续有时间好好整理，深度学习相关的模型改成TF2.0

https://github.com/littlemesie/recommend-learninghttps://github.com/littlemesie/recommend-learning

 tensorflow2 实现：

https://github.com/littlemesie/recommend-tf2.0https://github.com/littlemesie/recommend-tf2.0