深度学习推荐系统 学习笔记--Chapter 1

深度学习推荐系统 学习笔记

本系列为笔者阅读《深度学习推荐系统》一书的读书笔记。将书读薄，是进步的第一步

导言

不同的商业化场景对推荐系统的优化目标不一样，比如，电商场景需要更高的购买转化率（CVR）,
新闻类场景需要更高的点击率，视频类需要更高的观看时长（比如，YouTube就是）

推荐系统模块

推荐系统主要分为两个部分，数据部分和模型部分。

• 数据部分
  主要涉及到“用户”，“物品”，“场景”信息的收取，并且需要数据经历离线，准实时，实时的处理，
  其处理结果作为推荐系统模型部分的输入（这里指的输入是笼统说法，其实主要细分为三个部分：
  1.作为模型部分的训练数据输入
  2.作为模型部分的特征输入
  3.不作为模型输入，直接生成BI报表）

• 模型部分
  主要由如下部分组成：
  召回层：快速从海量数据中选出用户可能感兴趣的物品
  排序层：利用算法对初筛的候选集进行精排
  补充策略与算法层：在初排精排后，基于多样性，流行度，新鲜度等指标，补充一些额外的推荐结果

推荐系统训练形式

• 离线训练
  能消化全量特征和数据，使得推荐靠近全局最优解

• 离线评估
  离线训练需要设计离线评估的指标，比如auc，准确率

• 在线训练
  可以准实时的消化新的用户数据样本，反映用户当前兴趣

• A/B测试
  在正式上线之前，需要做

深度学习贡献以及不足

目前大厂已经逐步深入使用DL进行推荐。相比传统模型，深度学习的模型对数据模式的拟合能力和特征组合的挖掘能力更强。
此外，深度学习模型结构的灵活性，使其可以根据不同的推荐场景调整模型，使之与特定业务数据“完美”契合。

目前深度学习在海量数据的实时处理方面，特征的实时提取，线上模型服务过程的数据的实时获取，仍然存在需要攻克的难题。