协同过滤

协同过滤

重要性：比如买化妆品，人们肯定不会把所有的化妆品全部试一遍，会看和自己类似的人使用过那些产品，会根据自己历史经验看一下相类似的产品，这两类就可以分别的称之为User CF和Item CF。该为协同过滤的核心。

算法分类：

朴素：swing机制推荐、基于点击行为的用户和物品推荐；

隐喻：将高维离散的物品或者用户向量jian降维成低维度的向量标识。

Account2Vector机制：用户点击行为模型成一个句子串，Account为每一个词，模型生成Account的词向量，cosine计算相似度pair。

模型（单侧的向量化）：word2vector、fasttext

CBOW : 四周词（向量相加）去预测标词 ；  SKIPGRAM：目标词->四周词；负采样：目标词->该样本下非四周词。

提速方式：霍夫曼树、负采样

霍夫曼树：

Ngram : unigram\bigram\trigram

隐因子模型( 端到端）：矩阵分解（MF)：基于矩阵分解的思想，根据用户和广告的已知点击关系，生成用户、广告的低维向量。目标函数是：真实值和预估值之间的差值最小。

添加bias :用户偏置项和item偏置项。

参考文献：https://www.cnblogs.com/zhangchaoyang/articles/5517186.html

主要分类为：

DSSM:Deep Match, 将用户向量和广告向量分布通过DNN 网络embeding向量化。embeding时的词向量维度为8；最后一层为16(255->128->16)； 3层DNN,，点击行为作为训练目标，sigmod作为激活函数。