推荐系统简介

推荐与CTR预估的区别

推荐与计算广告的区别

排序与CTR的区别

应用场景：

• 资讯： 今日头条，腾讯新闻
• 电商：淘宝，京东，亚马逊
• 社交： 微信，facebook
• 娱乐：抖音，快手，爱奇艺，Bilibili
• 生活服务：美团，大众点评，携程

推荐系统的进化脉络

传统推荐系统演化关系

1. 协同过滤
   • UserCF具有较强的社交属性，故适于新闻推荐等及时性，热点性的领域。ItemCF更适用于兴趣变化较为稳定的领域，比如电商。
   • 协同过滤头部效应明显，处理稀疏向量能力弱。仅利用交互信息，无法表示更深层次的表达。
2. 矩阵分解
   • 由于隐向量的提出，泛化能力比协同过滤增强，空间复杂度降低
   • 但是矩阵分解人然只利用了交互信息，所以依然存在冷启动问题，并且无法利用更丰富的上下文信息
3. 逻辑回归
   • 逻辑回归开始考虑加入丰富的特征，并且把交互信息作为训练目标，有比协同过滤更加泛化的能力。并且计算简单，直观，易用。
   • 但是没有进行特征交叉。
4. FM系列
   • 开始引入特征交叉，表达能力更强
5. GBDT+LR
   • 高维特征组合和筛选， 推进特征工程模型化（实现特征的端到端生成）
   • 以树模型进行初步特征抽取，以线性模型进行进一步分类的概念

深度推荐系统演化关系

推荐系统架构

为什么不直接使用召回得分进行排序： 1. 多路精召回队列，得分不具有可比性 2. 候选集变小，可以负担得起更复杂的模型

会议&PAPER

RecSys | SIGIR | KDD

RS(Recommender System)：RecSys

IR (Information Retrieval): SIGIR

DM(Data Mining): SIGKDD,ICDM, SDM

ML (Machine Learning): ICML, NIPS

CV (Computer Vision): ICCV, CVPR, ECCV

MM (MultiMedia): ACM MM

DB (Database): CIKM, WIDM

AI (Artificial Intelligence): IJCAI, AAAI

blog

• 知乎-石塔西
• 知乎专栏-推荐系统与NLP
• 推荐系统/计算广告/机器学习/CTR预估资料汇总
• 知乎专栏 - 深度推荐系统
• 知乎专栏 - 深度学习强化学习推荐算法
• 知乎专栏 - 王喆的机器学习笔记
• 知乎专栏 - 推荐算法学习笔记
• 知乎专栏 - 推荐系统打怪升级之路
• 知乎专栏 - 推荐系统实验室
• 推荐系统理论及实战
• Recommendation System Series Part 2: The 10 Categories of Deep Recommendation Systems That Academic Researchers Should Pay Attention To
• readingList
• 计算广告论文、学习资料、业界分享

personal code

• ant-learn-recsys

open project

• LightGBM: A fast, distributed, high performance gradient boosting (GBT, GBDT, GBRT, GBM or MART) framework
• xgboost: Scalable, Portable and Distributed Gradient Boosting (GBDT, GBRT or GBM) Library
• LIBFFM
• XLearn
• DeepCTR
• DeepMatch
• MatchZoo
• dlrm
• librec-java
• Recommender Systems Datasets

open cource

• youtube Recommender Systems by Andrew Ng