2021/4/22 推荐系统到底是什么

学管理的推荐系统小白

无所为而为

本文为个人学习笔记，观点仅供参考

推荐系统

参考项亮老师的推荐系统一书的定义：

推荐系统的基本任务是联系用户和物品，解决用户信息过载问题。

对推荐系统进行技术上的断代——特征处理维度(参考董振华老师的讲座)

1.第一代技术——CF协同过滤技术——核心思想是关联推荐
流行时间从1992年到2010年，2010年后，很少作为单独的一门推荐算法出现，但是其关联推荐的思想已被大家所接受，后续许多模型的改进都是在该思想的基础之上做出来的。

其中衍生出的KNN（k近邻）、MF（矩阵分解技术）、SVD/SVD+（奇异值分解：能够大幅降低特征维度，提高模型学习和预计的效率）等技术
缺点：冷启动；优点：可解释性

2.第二代技术——高维稀疏线性模型——LR模型（logistic regression模型）
流行时间从2009-2015年左右，实际上可能更短，后续常作为深度学习部分的某一部分出现，如Wide & Deep的Wide部分。

2009年，baidu的凤巢系统使用LR模型
2013年，Google应用的FTRL(Follow-the-regularized-Leader）对LR模型这类带有非光滑正则化项的凸优化问题上做出了改进
特征工程是人工做的，处理的一阶特征
优点：引入属性特征，缓解冷启动问题
缺点：需要大量人工处理特征工程，且维度高
**3.第三代技术——FM（factorization machines）/因子模型 **
流行时间从2011到2015年左右，后续同样被并入深度学习模型，作为深度推荐模型中的一部分。如DeepFM其中有一个部分就是使用了FM模型进行特征交叉。

2011年，Rendle提出的
主要思路是做特征组合，例如，华为应用市场能够饭点推荐美团，关注ESPN的人通常喜欢NIKE等进行特征组合推荐
优点：实现特征自动二阶组合
缺点：无法对高阶特征自动组合
4.第四代技术——深度学习（deep learning）
2015年来，深度学习技术飞速发展，推荐系统从此进入深度学习时代，Wide & Deep, DeepFM, NCF, DIN等等模型相继出现。

主要思路就是实现高阶特征自动交互——前三代技术做不到的事情
解决的具体问题：多任务模型：优化点击率，阅读时长；反事实模型：位置偏置，选择偏置；多模态模型：图文影音多模态信息利用；强化学习模型：动态自适应决策。

上图出自华为董振华老师讲座

工业界的推荐：（参考美团的推荐模型）

上图出自美团技术团队的推荐系统实践博客。

下面说说信息管理领域对推荐系统的研究。

信息管理和计算机交叉领域中对推荐系统较关注的期刊——《Expert Systems with Applications》、《Knowledge-Based Systems》、《IEEE Transactions on Knowledge and Data Engineering》
笔者大概阅读了约30篇左右这三本期刊上的关于推荐系统的论文。
个人觉得大致的工作如下：
通常是把一个现成的计算机界的算法拿到新的领域，然后在新的领域传统的算法可能需要一些改进，比如，增加共识达成过程CRP，比如增加隐式反馈等等操作。 他们在技术上的创新性是没那么显著的（部分专业的计算机专业学者发表的论文除外），所以通常是在模型上做微调，在信息收集方法上做微调，增加社交因素，信任因素等。

目前的想法还很肤浅，本文只用于记录自己大半年来的学习体会。