申明:本文是个调研文档,综合了参考文献中各个资源中的叙述和图,来源出处已标注具体的出处,如有侵权,请联系本人。
一.推荐框架
1.基本的推荐框架中的算法层的框架大致如下:
图1 基本推荐算法层框架
其中,召回层使用一些比较“粗糙”、非实时的算法,比如协同过滤,simrank,热度等等
排序层会进一步对召回层删选的商品进行精排,这时数据量的规模比较小,可以用一些稍微复杂但“准确”的模型。同时,模型更新的速度要求比较高,模型的实时性比较重要。
这一层通常会用LR, GBDT,WDL等等。
2.各大厂的推荐框架
图2 美团框架[1]
图3 携程推荐框架[2]
图4 hulu的推荐系统
图5 netflix的推荐系统
图6 头条推荐流程[3]
二.推荐算法
1 .召回层
分布式协同过滤的召回、图的召回(Simrank)、替补召回(热度等)
2. 排序层
(1)深度学习 CTR 模型的前夜
"2010 年 FM 被提出,特征交叉的概念被引入 CTR 模型;201