推荐系统深度匹配模型

搜索还是推荐，本质其实都是匹配，搜索的本质是给定 query，匹配 doc；推荐的本质是给定 user，推荐 item。

深度学习背后体现的矩阵分解思想、协同过滤思想，其中svd++ 体现的 userCF 和 itemCF 的思想，FM 模型本质上可以退化成以上大多数模型

image.png

推荐系统就是系统根据用户的属性 ( 如性别、年龄、学历、地域、职业 )，用户在系统里过去的行为 ( 例如浏览、点击、搜索、购买、收藏等 )，以及当前上下文环境 ( 如网络、手机设备、时间等 )，从而给用户推荐用户可能感兴趣的物品 ( 如电商的商品、feeds 推荐的新闻、应用商店推荐的 app 等 )，从这个过程来看，推荐系统就是一个给 user 匹配 ( match ) 感兴趣的 item 的过程。

image.png

❸ 语义鸿沟 ( semantic gap )
在搜索里表现是 query 和 doc 的语义理解，推荐里则是 user 和 item 的理解。例如，搜索里多个不同的 query 可能表示同一个意图；而推荐里用来表示 user 和 item 的特征体系可能完全不是一个层面的意思。
协同过滤的基本思想是基于 <user, item> 的所有交互行为。CF 按照类型可以分为3种，user-based CF、item-based CF ； model-based CF：参数模型来描述用户和物品、用户和用户、物品和物品之间的关系，然后通过已有的用户-物品评分矩阵来优化求解得到参数。例如矩阵分解、隐语义模型 LFM 等。矩阵的未知部分如何填充问题 ( Matrix Completion )，最小化过程没有正则化 ( 只有最小方差 )；