02-07 传统推荐系统模型总结
基于前面的学习,我们已经了解了很多模型的细节知识,再结合框图可以更好地记忆其发展和区别。
传统推荐模型的演化关系图见【读书笔记->推荐系统】02-01 协同过滤
这里书中给了整体的总结。
在对传统的推荐模型进行总结时,读者也要意识到,传统推荐模型与深度学习模型之间存在着千丝万缕的联系。正是对传统模型研究的不断积累,为深度学习模型打下了坚实的理论和实践基础。
例如:
- 矩阵分解的隐向量的思想 与 Embedding技术
- FM中特征交叉的思路
- LS-PLM的结构 与 三层神经网络
- GBDT自动化处理特征 与 特征工程模块化
另外,Alex Krizhevsky 站在 Geoffrey Hinton Yann LeCun Yoshua Bengio等大师的肩膀上,于 2012 年提出了引爆整个深度学习浪潮的 AlexNet[9] 将深度学习的大幕正式拉开,其应用快速地从图像扩展到语音,再到自然语言处理领域,推荐系统领域也必然紧随其后,投人深度学习的大潮之中。
从 2016 年开始,随着 FNN Wide&Deep Deep Crossing 等一大批优秀的推荐模型架构的提岀,深度学习模型逐渐席卷推荐和广告领域,成为新一代推荐模型当之无愧的主流。书将在第3章继续与读者探讨推荐模型的相关知识,从模型演化的角度,揭开主流深度学习推荐模型之间的关系和技术细节的面纱。