深度學習推薦系統 學習筆記導言
推薦系統模組
推薦系統主要分為兩個部分，資料部分和模型部分。
推薦系統訓練形式
深度學習貢獻以及不足
目前大廠已經逐步深入使用dl進行推薦。相比傳統模型，深度學習的模型對資料模式的擬合能力和特徵組合的挖掘能力更強。
此外，深度學習模型結構的靈活性，使其可以根據不同的推薦場景調整模型，使之與特定業務資料「完美」契合。
目前深度學習在海量資料的實時處理方面，特徵的實時提取，線上模型服務過程的資料的實時獲取，仍然存在需要攻克的難題。
推薦系統學習筆記
完整的資訊流推薦系統 到業務前台的推薦系統的召回 粗排以及精排等推薦環節，召回層面，目前已實現大規模fm統一召回模型，正逐步替代傳統的多路召回模型，並在各項指標取得了非常明顯的業務效果。召回階段，採用模型統一召回代替傳統的多路召回是個比較明顯的趨勢。四個環節分別是 召回 粗排 精排和重排。模型召回 ...
深度學習推薦系統學習筆記5 DIEN
經過之前deep crossing deep cross din等演算法的實現。發現這些演算法都非常相似，都是由deep crossing演化而來，即deep部分和crossing部分。deep部分利用深度模型模型提取特徵，crossing計算一些特徵，然後特徵拼接進入乙個淺層神經網路，再進行sof...
推薦系統學習筆記 推薦系統現存問題
單純以使用者和專案為驅動的推薦引擎並不能滿足相關使用者的實際需要，使用者在實際購買之中往往會結合自己的實際需要以及社交網路的推薦來做選擇 傳統的推薦演算法往往帶有很嚴重的 馬太效應 推薦的商品往往是熱門的商品，導致熱門的商品更加熱門，而處在 長尾分布 上的商品仍然得不到重視。因此，將社交網路與個性化...