当下推荐系统的分析和关于长尾效应的解决猜想

记录一次线下技术分享心得，和自己工作上的一点体会，有不对的地方还请各位前辈指出。

当下推荐生态的发展历史：
    从规则到协同过滤再到模型和现在比较流行的基于机器学习的推荐
    比较常用的协同过滤算法的优缺点是很明显的：泛化能力弱 ，样本结果好

实时look alike 算法在微信看一看中的应用：中间采用Ralm算法 

paper：Real-time Attention Based Look-alike Model for Recommender System

https://arxiv.org/abs/1906.05022
一、未被缓解的马太效应
    1、推荐系统的设计初衷：个性化推荐需要解决信息过载
        原始数据在抽象过程中都会出现信息损失，怎样才能做到信息损失最小，这是需要结合业务需求，做适当的取舍，
    2、传统模型的遗留问题：
        特征部分依赖，推荐结果趋热（这个问题工作中也遇到过，数据中存在大比例数据，无论怎么随机，怎么划分训练集和测试集，总会出现小比例数据学习不到的现象，而大比例数据学习充分）这是推荐中总会出现的马太效应。如何解决马太效应？（加入时间衰减？加入数据比例权重偏重？）
    3、优质长尾内容投放困难
        小众兴趣难以满足、影响系统生态。

                                                        uesr特征（年龄、性别）

原始样本（uin，item，label）->