文章目录
推荐系统框架
1. 推荐系统分类
-
基于统计学
-
个性化推荐:一切即标签
- 基于推荐原则的分类
- 基于相似度
- 基于知识
- 基于模型
- 基于数据源的分类
- 基于用户画像的推荐
- 基于内容(content based, CB)的推荐
- 基于协同过滤(collaborative filtering, CF)的推荐
- 基于近邻
- 基于用户的协同过滤(User-CF)
- 基于物品的协同过滤(Item-CF)
- 隐语义模型(Latent Factor Model, LFM, 潜在因子模型):认为用户选择物品的原始是用户的某些特征与物品的某些特征之间有关联
- SVD矩阵分解
- LSA浅语义分析
- LDA隐狄利克雷模型
- 基于近邻
- 基于推荐原则的分类
-
实际场景多用:混合推荐
- 多模型加权混合
- 根据数据切换混合
- 分区混合:不同业务背景不同的推荐模型
- 分层混合:模型堆叠,将一个模型的输出作为另一个模型的输入
推荐系统的特点:
- 完全基于历史数据。
- 面对冷启动、数据量小的情况效果较差。
2. 推荐系统基本流程
推荐系统包含以下几个基本的步骤:
-
数据获取(历史数据)
-
召回层
主要用于压缩特征
-
多路召回策略:工业中常用,写一些简单的排序策略,然后筛选出每个排序策略中的TopN后返回。由排序层对召回的指标加权处理。权重可以简单平均也可打分,也可动态调整。
-
协同过滤召回:常见基于用户的协同过滤(User-CF)、基于物品的协同过滤(Item-CF)与基于模型的协同过滤(model based),基于模型的协同过滤中包括矩阵分解、关联算法、聚类算法、深度学习、图模型等方法。
-
embedding召回:等同于对one-hot做了平滑处理,而且可以量化非结构化数据,学界常用。
-
-
排序层
这一层主要使用各种模型,得到精准的排序结果,论文中常见的LR\FM\DeepFM,主要用于这一层
-
重排序层(也称业务排序层)
根据业务特点等因素对排序后的结果做再次排序,以满足业务需求
标签:基于,系统分类,模型,推荐,过滤,协同,排序,流程 来源: https://blog.csdn.net/weixin_35757704/article/details/119491707
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。