本文深入探讨了协同过滤、树模型XGB以及FM和FFM在推荐系统中的应用。FFM通过field概念增强模型表达能力，处理特征交叉。同时，介绍了深度学习模型如DIN、DIEN以及YouTubeDNN，它们在用户兴趣建模上的进步。此外，还提及了Transformer模型与GraphSage、Node2Vec等图学习方法。最后，讨论了评估推荐系统性能的关键指标。
协同过滤
树模型&xgb
FM与FFM与DeepFM
FFM通过引入field的概念，FFM把相同性质的特征归于同一个field，相当于把FM中已经细分的feature再次进行拆分从而进行特征组合的二分类模型。
FFM模型在FM中引入field概念，把n个特征划分到f个field里，模型参数相比FM增加了f倍，模型表达能力比FM模型更强。FM类算法的缺点是模型只能通过内积的方式对特征进行二阶交叉，对于更高阶的特征无法捕捉到。
DIN&DIEN
https://github.com/alibaba/x-deeplearning/wiki/%E6%B7%B1%E5%BA%A6%E5%85%B4%E8%B6%A3%E7%BD%91%E7%BB%9C(DIN)
342
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
