《深度学习推荐系统》阅读笔记

当我们提到推荐的时候，其实我们在说什么？

1  问题：

• 1谁推荐给谁？
• 2 在哪里推荐？
• 3 推荐的指标？
• 4  推荐的要素？
•  

2 解决方法：

• 1    系统推荐给用户，
• 2   在电商网络中，在社交网络中，在各种可能需要推荐的网络中
• 3     推荐会不会让用户点击？用户喜不喜欢看？
• 4      特征

 

1  序言

解释深度学习在工业界使用的好处。

目前工业界的两种方法：

拿着锤子找钉子和问题驱动。

作者提出为了应对未来的发展，深度学习+推荐系统该如何走？

• 深度学习成为基础设施
• 算力成为新的制约
• 技术发展转向技术体系推荐（系统架构+算法）

已经开始转为更复杂的时代，我们需要工程+算法一起挑。这是最好的时候，也是最坏的时代。

2  前言

 

第一章

1.1.1  推荐系统的作用和意义

用户角度：筛选信息，

公司角度：吸引用户/留存用户/增加用户粘性/提高用户转化率（这些都可以是推荐的指标啊）

例子：youtube用用户观看时长作为指标

1.2  架构

推荐系统最重要是要解决人和信息的关系。人就是人的兴趣点，信息包括用户信息/物品信息/上下文信息（时间地点用户）。

 

1.2.1 逻辑框架

这才是一个较为清晰的介绍图

1.2.2  技术架构

 

第二章  

为什么学习经典的方法。可解释性强/硬件环境要求低。模型没有好坏之分，熟悉每种模型的优缺点/能够灵活运用和改进不同的算法模型是优秀推荐工程师的基本素质。

2.1   传播模型演化关系图

• 包括有协同过滤算法族（物品协同过滤和用户协同过滤），也衍生出矩阵分解模型。
• 逻辑回归模型
• 因子分解机
• 组合模型

2.2   协同过滤

定义：协同大家的反馈/评价和意见一起对海量的信息过滤。

介绍一种基于用户相似度方法，思想核心为“兴趣相似的朋友喜欢，我也喜欢”的思想，但有缺点：1   用户相似度矩阵运算开销大   2  用户数据稀疏，某个用户只购买一些，找到相似用户准确度很低。

 

2.2.4   itemCF

基于物品相似度，思想核心为“两个物品的相似度差不多，就一起用。”的思想

 

2.2.5  用户和物品的应用场景

基于用户和基于物品的都有不同的应用场景，

2.2.6 协同过滤的下一步发展

协同过滤泛化能力差，因为其头部效应非常明显，矩阵分解技术被提出来解决这个问题。

矩阵分解技术思想：在共现矩阵基础上，使用更稠密隐向量表示user和item。

如何实现：