推荐系统学习（一）

    学习笔记    

    推荐系统已经深入我们的日常生活，当我们逛淘宝，京东的时候，系统一方面记录着我们的行为，一方面通过历史行为对商品进行推荐。这是机器学习的具体应用，使用机器学习对用户的特征，商品的特征，历史行为以及上下文信息进行建模，从而对用户的兴趣以及可能点击的商品进行推荐。这在推荐系统，计算广告中都普遍存在，正式机器学习，深度学习以及现代经济的快速发展，使得推荐系统成为许多公司，尤其是IT公司不可缺少的一部分。

    OK，那这篇文章就是先对推荐系统进行一个简单的介绍，使得大家对推荐系统有一个大概的了解。

    进入正题，通常推荐系统可以分为以下几个步骤，召回->排序->重排，现在研究比较多的是排序阶段。

召回

    通常对于大公司，以电商平台为例，其包含的商品数量巨大，因此如果每次都在所有商品上运行模型进行排序然后推荐是比较低效的，并且很耗时。因此通常会在排序前做一次召回。召回的目的就是为排序缩小排序的集合，在整个商品集合中，先挑出一部分机器认为可能是需要推荐的商品，这个阶段是比较粗粒度的，之后在这样一个子集合中在应用排序算法。在召回阶段，比较常用的是应用用户与商品直接的相似度进行判断，通常的召回算法包括：协同过滤Collaborative Filtering（基于用户的，基于物品的），矩阵分解，基于user profile等等。

排序

    排序方法是现阶段研究的热点，许多公司的新方法也都集中于排序阶段。排序阶段的目的是在召回的基础上，对已有的物品集合进行排序，通常是通过对物品的点击率（CTR）或者转换率（CVR）进行估计，估计该物品被点击的概率。这个过程主要包括：GBDT+LR，XGBoost，LR，FM，DCN，deep&wide等等。

重排

    通常排序阶段只考虑了用户与单一物品之间的关系，而忽略了物品与物品之间的关系，因此针对一些推荐系统，需要设计个性化重排，此阶段通常采用tansformer，RNN，注意力机制等方法。