推荐系统中一些问题的思考

1. 召回曝光高但是点击率不高是为什么？
   数据层面：模型训练时数据有偏差，训练数据的正样本大量集中在热销商品
   特征层面：用户侧特征区分度不明显导致模型未能关注到用户个性化差异
   模型层面：未捕获到用户个性化偏好
   其他层面：item也许确实属于用户想点击的，但是一些外部原因导致user没有发生点击（商品价格过高，视频时长过长等等）；u2i召回算法力度不够
2. 新增一路召回后，大盘整体的点击率没有变化，但是单看新召回的点击非常低，为什么？
   较差质量的召回未能影响整体数据 => 这一路召回体量太小或者被后续的排序模型所歧视
3. 一些常见的召回算法（没什么依据，我自己整理的）
   tag2item：标签召回，流行度（榜单）召回
   item2item：协同过滤，关联规则，矩阵分解
   user2item：用户画像召回，DSSM
   embedding：YoutubeDNN，GE（graph embedding）框架（如DeepWalk，Node2vec，LINE，SDNE）
   客制化召回：（商品）节日召回，（视频、UGC）热搜推荐
4. 尝试过的、稳健的排序模型
   LR：简单易实现的线性模型，建模意图明确
   FM：加入了自动二阶特征交叉的LR，二阶特征权重为隐向量乘积
   Wide&deep：泛化性与记忆性的结合，计算复杂度的优化
   DIN：加入了attention（query为待排序的广告商品，key和value都是用户序列中的商品）的CTR预估模型，两个创新点（Dice激活函数与仅更新batch内参与计算的参数）
5. 未来可能创新的领域（没什么依据，我自己整理的）
   深度模型的算子自动化组合（AutoML），强化学习与在线更新，多臂老虎机与算法层面的个性化，探索与利用