学习笔记1——个性化推荐算法综述

1. 当物品数量远超人可以手动遍历的范围时，称为信息过载；

2. 如果没有明确需求的用户访问了服务，且该服务的物品对于用户而言构成了信息过载，该系统基于一定规则策略（个性化推荐算法）将物品进行排序，并将排在前面的物品推荐给用户，这就是推荐系统；

3. 个性化推荐算法在工业界成功落地的3类产品：

3.1 地图（餐馆、影院多）；

3.2 电商（商品多）；

3.3 信息流（新闻、短视频多）。

4. 如何衡量个性化推荐算法在产品中起到的作用？

4.1 线下 模型指标 -> AUC、准确率

4.2 线上 业务指标 -> CTR、平均停留时长、GMV

5. 算法介绍

5.1 个性化召回算法

        5.1.1 基于用户展现点击的矩阵分解

        5.1.2 基于图的推荐

        5.1.3 基于内容的推荐

        5.1.4 基于深度学习的隐语义召回

5.2 个性化排序算法

        5.2.1 LR

        5.2.2 GBDT

        5.2.3 LR + GBDT

        5.2.4 DNN（Google Wide & Deep）

6. 算法评估

6.1 offline（模型本身的指标）

        6.1.1 AUC

        6.1.2 Precison & Recall

        6.1.3 Re Rank：拿到用户原始展示和点击数据，训练新模型对原始展示数据打分重排序，判断新模型优劣

        6.1.4 Re Recommend        

6.2 online

        6.2.1 CTR 点击率        

        6.2.2 ViewTime 停留时间

        6.2.3 TotalRecommendID 

7. 人生苦短，我学Python（TensorFlow、word2vec-Google、xgboost-陈天奇）。