360方案 相关技术（推荐、排序、点击率预估）

这篇主要总结一下做的方案用到的推荐系统、排序学习和点击率预估的相关技术。

个性化推荐算法和模型

推荐方法是整个推荐系统中最为核心的部分，推荐方法的好坏在很大程度上决定了推荐系统性能的优劣。因此，国内外对于推荐算法的研究都较为深入，常用的推荐算法主要有以下几种：协同过滤推荐、基于内容的推荐和基于知识的推荐。

协同过滤

协同过滤推荐（Collaborative Filtering Recommendation）是推荐系统中应用最早，也是最为成功的推荐技术。其基本思想在于：用户的偏好是不会随时间改变而发生变化的。它一般采用KNN算法，通过计算用户之间的喜好的相似性来度量用户之间的距离，之后再通过选取目标用户的K个最近邻用户，根据这些邻居的兴趣爱好来预测目标用户对于特定物品的喜好程度。

由于纯粹的协同过滤推荐不需要任何有关物品的信息，推荐给用户的物品完全是系统从用户浏览行为或购买模式等信息中隐式获得的。因此，一方面，它对推荐的对象没有特殊要求，音乐、电影等非结构化的复杂对象也能够处理。另一方面，系统也不用获取和存储这些对象的相关信息。

在协同过滤推荐的发展中，主要衍生出基于用户的协同过滤（User CF）以及基于物品的协同过滤（Item CF）两种方法，前者是基于用户对物品的偏好找到相邻用户，之后再将邻居用户的喜好作为推荐结果推荐给当前用户。后者则在计算邻居时采用物品本身，即寻找相似物品，再基于用户的历史记录，将邻居物品推荐给当前用户。

两种方法也各有自身的适用场景：在非社交网站中，基于物品的CF更加有效，其原因在于，当身处一个非社交的环境中，内容之间的内在联系是非常重要的