推荐系统（一）

推荐系统传统算法
用户角度：推荐系统在‘信息过载’的情况下，进行‘信息过滤’，使用户能高效获得感兴趣的信息。
公司角度：推荐系统解决产品最大限度地吸引用户、留存用户、增加用户黏性、提高用户转化率的问题（如购买转化率，点击率等），达成公司的商业目标、增加公司收益。

协同过滤算法（Collaborative filtering, CF）
协同大家的反馈、评价和意见一起对海量信息进行过滤，从中筛选出目标用户可能感兴趣的信息的推荐过程。
根据用户的行为历史生成用户-物品共现矩阵，利用用户相似性和物品相似性进行推荐。

UserCF（基于用户的协同过滤）
（1）构建共现矩阵：行坐标为用户，列坐标为商品
（2）计算用户相似度：余弦相似度、皮尔逊相关系数
（3）获得预测结果：用户相似度和相似用户的评价 的 加权平均值
ItemCF（基于物品的协同过滤）
（1）构建共现矩阵：行坐标为用户，列坐标为商品
（2）计算物品相似度
（3）获得预测结果：物品相似度和物品已有评分相乘 的累加值
UserCF具有更强的社交特性，适用于发现热点以及跟踪热点的趋势，适用于新闻推荐场景
ItemCF更适用于兴趣变化较为稳定的应用，如购物推荐，电影推荐

协同过滤不具备较强的泛化能力，推荐结果头部效应明显，处理稀疏向量的能力弱。即热门产品具有很强的头部效应，容易和大量物品产生相似性，尾部物品特征向量稀疏，很少与其他物品产生相似性，很少被推荐。

矩阵分解算法（Matrix Factorization, MF）
通过分解协同过滤的共现矩阵为用户和物品生成一个隐向量，用户对物品的评分是用户的隐向量与物品的隐向量的内积
采用梯度下降方法实现矩阵分解：参考
矩阵分解泛化能力加强，空间复杂度低，但不方便加入用户、物品和上下文相关的特征。

逻辑回归算法（Logistic Regression, LR）
综合利用用户、物品、上下文等多种不同特征，生成较为‘全面’的推荐结果
核心是计算各特征的权重
采用梯度下降方法求取模型参数：参考
逻辑回归模型表达能力不强，仅利用单一特征进行简单加权 ，无法进行特征交叉等高级操作

因子分解机（Factorization Machines,FM）
FM为每个特征学习一个隐权重向量，在特征交叉时，使用两个特征隐向量的内积作为交叉特征的权重。
能更好地解决数据稀疏性问题，提高泛化能力，但丢失了某些具体特征组合的精确记忆能力。

特征域感知因子分解机（Field-aware Factorization Machine, FFM）
每个特征对应一组相对于特征域的隐向量，在特征交叉时，使用特征1所对应的特征域2的隐向量和特征2所对应的特征域1的隐向量作为交叉特征的权重
模型的表达能力更强，但计算复杂度高

梯度提升决策树+逻辑回归算法（Gradient Boosting Decison Tree+Logistic Regression, GBDT+LR）

大规模分段线性模型 （Large Scale Piece-wise Linear Model, LS-PLM）
混合逻辑回归（Mixed Logistic Regression, MLR）
首先对样本进行聚类分片，在每个分片内部构建逻辑回归模型，将每个样本的分片概率与逻辑回归的得分进行加群啊平均，得到最终的预估值。