深度学习核心技术精讲100篇（六）-keras 实战系列之推荐系统FM（Factorization Machine）算法

前言

博主在之前的文章中介绍过使用keras搭建一个基于矩阵分解的推荐系统,而那篇文章所介绍的方法可能只是一个庞大推荐系统中的一小环节。而对于工业级别的推荐系统，面对极其庞大的产品种类数量，一步就输出符合用户心意的产品可能够呛，最好的方式应该是从巨大的产品类别之中粗筛出一些靠谱的待推荐产品，然后再从粗筛的产品中精挑细选出要推荐给用户的最终产品。

工业级别的推荐系统简介

工业级别的推荐系统的架构图如下图所示，大致分为两个阶段：

• 召回阶段：也就是粗筛阶段，由于涉及到的产品数量巨大，大的公司都是千万级别，甚至上亿级别的产品数量，此阶段的模型应该尽量简单，特征维度也尽量少，这样方便快速筛选出一些待推荐的产品。

• 排序阶段：即对上一阶段粗筛出来的待推荐产品进行精挑细选，此阶段为了推荐出符合用户心意的产品，需要模型尽量的准确。而且由于粗筛阶段将数据量减少到几千，甚至几百级别，所以使用复杂模型，并且特征维度也可以尽量丰富，尽量多一些，这样训练出来的模型才能有较强的性能。

   

  

  推荐系统的架构图