目前工業界常用的召回排序模型主要有：
（1）基於內容的召回
使用item之間的相似性來推薦與使用者喜歡的item相似的item。
（2）基於協同過濾的召回
協同過濾主要可以分為基於使用者的協同過濾、 基於物品的協同過濾、基於模型的協同過濾（如矩陣分解als、svd、svd++等等）。
（3）基於關聯規則召回
基於關聯規則召回通常有頻繁模式挖掘，如apriori、fpgrowth等模型
（4）基於深度學習模型的召回
基於深度學習模型的召回也稱之為embedding向量召回(每個user和item在乙個時刻只用乙個embedding向量去表示)的一些經典方法，其主要思想為：將user和item通過dnn對映到同乙個低維度向量空間中，然後通過高效的檢索方法去做召回。常見的模型有：ncf模型、youtube dnn召回、 雙塔模型召回、mind模型等等。
（5）基於圖模型召回
基於圖模型召回有二部圖挖掘，如simrank；graph embedding模型，如deepwalk、node2vec等模型。
（6）基於使用者畫像的召回
基於使用者畫像的召回主要根據使用者畫像如品牌偏好、顏色偏好、**偏好等偏好資訊召回。
（7）基於熱度召回
（1）基於傳統的機器學習模型
基於傳統的機器學習模型如lr、svm等模型。
（2）基於樹模型
基於樹模型有gbdt、randomforest、xgboost等。
（3）基於交叉特徵模型
基於交叉特徵模型有fm、ffm、lr+gbdt等
（4）基於深度學習模型的排序
基於深度學習模型的排序有widedeep、dcn、deepfm等。
紅豆Live推薦演算法中召回和排序的應用和策略
本文由 紅豆live推薦演算法中召回和排序的應用和策略 作者 胡南煒 編輯 emilyinfoq 編輯對微博機器學習計算和服務平台負責人胡南煒進行了採訪，詢問了關於微博旗下的語音直播平台 紅豆 live 應用 ai 技術的詳細情況，以及他對 ai 的深入了解和趨勢 紅豆 live 的 ai 布局 據...
推薦系統的常用演算法原理和實現
推薦系統的任務就是解決，當使用者無法準確描述自己的需求時，搜尋引擎的篩選效果不佳的問題。聯絡使用者和資訊，一方面幫助使用者發現對自己有價值的資訊，另一方面讓資訊能夠展現在對他感興趣的人群中，從而實現資訊提供商與使用者的雙贏。基於人口統計學的推薦 系統首先會根據使用者的屬性建模，比如使用者的年齡，性別...
常用排序演算法實現
按平均時間將排序分為四類 1 平方階 o n2 排序 一般稱為簡單排序，例如直接插入 直接選擇和氣泡排序 2 線性對數階 o nlgn 排序 如快速 堆和歸併排序 3 o n1 階排序 是介於0和1之間的常數，即0 1，如希爾排序 4 線性階 o n 排序 如桶 箱和基數排序。各種排序方法比較 簡單...