推荐系统常用模型总结

　　9本电子书放文末，自取~ 推荐系统的不同阶段
　　推荐系统的模型部分由召回层，排序层和重排层组成。而在进入召回阶段之前，通常需要构建索引和特征，且排序阶段还可以划分成粗排和精排，以便更精准，更有效地给用户推荐到合适的商品。 推荐系统的五个阶段
　　显然，从构建特征到得到最终的推荐列表，我们可以得到如下几个阶段。
　　索引&特征: 会根据内容特性提前建立若干种类型的索引。
　　召回阶段: 用户请求时会从各种索引种取出千/万 条item。
　　粗排阶段: 针对这上千/万条item，进行第一遍打分，再筛选出几百条或者千条。这个阶段的排序模型一般都比较简单，能够过滤掉一些与用户兴趣明显不相关的。
　　精排阶段: 得到几百条item后，精排阶段会建立相对精细的模型，根据用户的画像，偏好，上下文，结合业务目标进行排序。一般精排后返回50-100条给到engine侧。
　　重排阶段: engine 侧拿到精排的50条item。还会做很多的人工干预和产品逻辑，比如item之间的多样性，产品策略逻辑，比如热门，置顶，多种内容之间的位置混合等等。最终会返回5-10条左右的item，曝光给客户端。根据业务特性，在线流程还有许多比较细的模块，比如去重服务，避免给用户推荐重复的内容。特征预处理，特征抽取等模块。 召回阶段和排序阶段的特点
　　简单总结下召回阶段和排序阶段的特点如下： 召回阶段：候选集规模较大、模型和特征相对简单，速度快。 排序阶段：候选集规模不大，目标是保证排序的精准，一般会使用复杂的模型和特征。 推荐系统召回阶段常用模型召回模型的演化关系
　　召回模型从传统的召回算法，如基于用户的协同过滤、基于商品的协同过滤、基于矩阵分解的召回算法等，演变到embedding相关的模型，如 Item2Vec 召回，FM召回，以及基于Graph Embedding 的召回模型，如DeepWalk，Node2Vec等模型，对于一些Item还有包含Word2Vec、FastText、Bert等基于内容语义的召回算法，当然还有如Youtube DNN、DSSM等基于深度学习的召回算法，将比较常用的召回算法整体成如下图所示的思维导图，方便大家有一个比较系统的认识。
　　多路召回的必要性
　　在召回阶段，我们通常要考虑召回率和计算速度，以新闻推荐为例，为了保证用户尽可能地感兴趣，同时还要兼顾热点和时效性数据，常常会使用多路召回。下图显示了多路召回的方法。
　　推荐系统排序阶段常用模型排序算法的演变关系
　　排序算法大体经过了初期阶段（2010年前）、中期阶段（2010年-2015年）和深度阶段（2016年-至今），其中，初期阶段主要是人工特征 + 线性模型；中期阶段主要是自动特征交叉 + 线性模型或树模型；深度阶段主要是基于神经网络的各种模型。
　　初期阶段，主要是进行各种特征工程，模型主要使用LR模型。
　　中期阶段，进行二阶、 高阶特征交叉，使用FM/FFM、 GBDT+LR、 XGBoost等树模型。
　　深度阶段， 开始将特征映射至多维空间中， 然后再通过多层网络去学习特征之间的相关性（ FNN、 PNN、 Wide & Deep、NFM、 AFM、 DeepFM、 xDeepFM等）。
　　按照不同的阶段，将常用的排序模型整理成如下图所示的思维导图。
　　当然，上面整理的召回算法和排序算法只是一部分，供大家进行参考，也可以将你自己学习过程中用到的相关算法加以整理，方便学习。
　　看完本篇如果对你有用请三连，你的支持是我持续输出的动力，感谢，笔芯~
　　↓ ↓ ↓以下9本书电子版免费领，直接送 ，想要哪本私我下说声，我发你↓ ↓ ↓
　　《2022年Q3最新大厂面试题》电子书，部分截图如下：