《深度学习推荐系统》学习笔记----前言

---

前言

早些年间读专业领域的书，通常会跳过序和前言。回想起来，其实这两部分的内容也是相当重要的，读懂了这两部分才会更加清楚的认识到这本书到底是干啥的，值不值得继续读下去，这个领域到底是在做一件什么事儿。就像是论文的摘要一样，看完了摘要自己心里应该就有个底了。清楚了这些之后，学习起来才会更加明确。要不然等看完了各种零件之后，还是两眼一抹黑，迷茫的回想着，我是谁？我在做什么？

---

一、为什么要推荐？

简单来说，就是让不喜欢的人爱上，让爱上的人更爱。
对于公司、企业、商户来说

1. 更好的推荐意味了更丰厚的收益。
2. 带来更好的用户粘性。
3. 获得更多的流量，在这个流量时代，更多的流量就更可以“为所欲为”。

而对于消费者来说，主要有两种类型。

1. 有明确的目的性：今天我来就是要买到啤酒，如果这时候能够快速得到我想要的种类，那我就会满意得付钱，下次还会再来。更好的推荐意味着更高效的选择。
2. 没有明确的目的性：啊，今天我来买点什么好呢？哦，这有啤酒，旁边还有尿布，这个商店不错。更好的推荐可以拓展思维和想法。

---

二、为什么是深度学习？

传统的机器学习方法不香吗，运行更快，实现简单、稳定性和效果都还不错。
古老的机器学习的劣势就不说了，简单来说，就是时代已来，条件允许，大势所趋。

深度学习的优势

1. 深度学习框架模块化程度高，只需要几步简单的组装就可以召唤神龙。
2. 运算能力标准化、自动化，不需要复杂的推导，实现优化器，初步解放了双手。其实和第一点差不多，现在是有非常多现成的工具。
3. 专注在模型设计和领域理解。站在这么多巨人的肩膀上干活，可以更专注的做更有意义的事情。同时脱离局限，扩展视野。岂不美哉？

深度学习在图像、语音、自然语言处理中大放异彩了的同时，也深深影响了推荐系统的发展。其实这些领域都有非常相通的地方，很多的特征都可以应用在推荐系统模型构建上。
而这些优势带来的是什么，更多的创新，更深的思考，更广的视野。

---

三、怎么设计好的模型？

推荐序中阿里的大佬讲设计模式很有道理。

这里有个非常关键点就是，问题驱动。

由于推荐面对的场景千变万化，面对的领域可能会有很多，盲目的使用深度学习并非 “银弹”。真正要明确自己要解决什么场景的什么问题，对技术有什么需求，再去寻找构思对应使用的方法技术，才是解决推荐问题的有效途径。

现在被广泛使用的DIN，DIEN，ESMM也基本都是根据这种设计模式设计出来的产物，这样的成果更能的被大家所接受，因为这是真的在解决实际问题，并且是非常有效的方法。当然，就算是这样也不是说这些工业界方法就是万能的方法，场景不同，目的不同，效果也会差距很大。

在此不得不感叹，作者和推荐人真的是挺厉害的。

---

四、瓶颈在哪儿？

当模型的效果提升到了一定高度，难免会遇到一定的瓶颈，那具体这个瓶颈是什么呢？大致会有这三个点吧。

1. 简单的使用开发好的工具设计受益会越来越低。
2. 现有的大量数据，并不足以学到更深层次的特征。
3. 工程架构更不上了算法的迭代更新了。

现在的我还没有完全接触到的以上的这些瓶颈，但是仔细一品，这几个确实是会存在一些问题的，没遇到不代表不存在。现在要做好的就是的，快速推进，争取尽快赶到瓶颈。

---

五、未来在哪儿？

又有一个我很赞同的点 “算法和系统架构协同设计”

算法部分并不是一个独立存在的模块，对工程的依赖会非常的大。在大多数的情况下都是算法和工程协同作战，才能发挥出更好的效果，这点深有体会，不了解工程结构算法改进有可能就是瞎忙活。
对于进一步发展来说，算法的不断的革新也是架构的升级密不可分的。算法工程一体化可能会是未来的趋势。

---

六、总结

最后做个总结就是
当深度学习的浪潮滚滚而来的时候，应该早已准备好，去迎接这一挑战和机遇。

1. 领域场景理解，明确问题，抓住问题，解决问题。
2. 由简单到复杂，不断迭代更新。
3. 总结过去，扎实基础，展望未来。
4. 不断强化自我，算法工程一把抓。
5. 数据驱动，有效利用数据

可能这是我对这本书的粗浅认识吧。

---

Keywords

以下词句，记录下来，后续会进一步领悟。
DIN， DIEN，MIMN，ESMM，网络量化压缩，蒸馏，双塔user侧和doc侧特征没法交叉