【创新实训】推荐系统召回学习

Reference

个性化推荐系统_召回
推荐系统简明教程-召回

推荐系统的召回策略

架构

1.离线方式：离线的model file算出推荐结果，这些推荐结果可以是用户喜欢哪些item，也可以是item之间的相似度文件，然后写入KV存储，在线的server recall部分直接调用这个结果，拿到ID之后访问detail server得到详情，再往rank部分传递。

2.半在线模式：将model file算出来的item embedding也存入KV，然后tf-server调用在线model 生成 user embedding,然后通过两个embedding打分。

优化

冷启动问题

1.利用WALS进行预测。给定一个在训练集中未出现的item，如果系统与用户有一些交互，则系统可以很容易计算出该item的Embedding，而无需重新训练整个模型。只需求解以下方程式或其加权形式：

上述方程对应于WALS中的一个迭代：用户Embedding保持固定，系统求解item的Embedding。对于新用户也可以这样做。

2.启发式生成新item的Embedding。如果系统没有相应的交互信息，则系统可以通过对来自同一类别，来自同一上传者（在视频推荐中）的item的Embedding进行平均来近似其Embedding。