本文介绍了推荐系统中模型融合的重要性和逻辑回归与梯度提升决策树（GBDT）的结合使用。逻辑回归常用于CTR预估，而GBDT则能捕捉非线性关系。二者结合，GBDT生成的特征组合作为输入送入逻辑回归，形成高效融合模型。在实际应用中，这种融合策略效果显著。
推荐系统在技术实现上一般划分为三个阶段：挖掘、召回、排序。
为什么要融合？
挖掘的工作就是对用户和物品做非常深入的结构化分析，庖丁解牛一样，各个角度各个层面的特征都被呈现出来，并且建好索引，供召回阶段使用，大部分挖掘工作都是离线进行的。
接下来就是召回，为什么会有召回？因为物品太多了，每次给一个用户计算推荐结果时，如果对全部物品挨个计算，那将是一场灾难，取而代之的是用一些手段从全量的物品中筛选出一部分比较靠谱的。
最后就是排序，针对筛选出的一部分靠谱的做一个统一的论资排辈，最后这个统一的排序就是今天要讲的主题：融合。
前面巴拉巴拉说了一段，画成图的话会好理解一些，示意图如下。
为什么要融合呢？这还得倒回去说一说召回是什么，以及这个阶段到底发生了什么？
在召回阶段，其实就是各种简单的、复杂的推荐算法，比如说基于内容的推荐，会产生一些推荐结果，比如基于物品的协同过滤会产生一些结果，矩阵分解会产生一些结果，等等。
总之，每种算法都会产生一批推荐结果，一般同时还附带给每个结果产生一个推荐分数，是各自算法给出来的。
于是问题就来了，这些不同算法产生的推荐分数，最后要一起排个先后，难道依据各自的分数吗？
这样是不行的，为什么？有几
订阅专栏 解锁全文
803
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
