1 推荐系统简介
推荐系统介绍
见S0
推荐系统评估
显式反馈和隐式反馈
- 准确性（学术界）
评分预测
topN推荐，准确和召回率 - 准备性（工业界）
信息流：时长 -> 用户行为 -> 关注和付费
电商：浏览深度 -> 用户行为 -> 付费 - 分层流量占比
销量大于10000的占比多少
9000到10000的占比多少 - 多样性 新颖性 惊喜性
推荐内物品不一样，推没见过的关注，与历史偏好不太一样- Exploitation & Exploration
Bandit算法：
Epsilon-greedy, Upper Confidence Bound, Thompson Sampling
应用：
兴趣探索，冷启动探索，LinUCB加入特征信息，COFIBA和协同过滤结合
EE实践：
兴趣扩展，人群算法，Bandit，graph walking，平衡个性化和热门推荐比例，随机丢弃用户行为历史，随机扰动模型参数
Trade off：
短期和长期
数据的真实性（ctr涨了，可能是很多用户走了）
推荐可能越来越窄
- Exploitation & Exploration
评估方法：离线评估和在线评估相结合，定期做问卷调查
- 问卷调查
- 离线评估
- 在线评估：AB测试
推荐系统实践
推荐系统的冷启动问题
具体见S0
用户冷启动
物品冷启动
系统冷启动
2 召回算法和业界实践
Item CF/User CF
- 改进版I2I
motivation:热门用户，哈利波特效应，用户行为缺乏考虑
solution:热门用户降权，热门Item降权 - 实时I2I
motivation:新品推荐问题
solution:实时增量i2i - Hybrid
motivation:无监督学习，无法刻画场景差异
solution:有监督Hybrid多少i2i算法
3 搜索和推荐的matching技术
- 需求
理论基础
代码能力
业务sense+论文+经验 - 用的特征
user，item，u2i（用户最近买了多少某个item），context - 方法
先用神经网络学然后得到Embedding，然后比较embedding相似度
或者直接传入item，user计算相似度
Two power方法
Wide and deep方法 - 使用的一些深度模型算法
Based on DNN: DSSM
Based on CNN: CDSSM, ARC I, CNTN
Based on RNN: LSTM-RNN
4 推荐业务、feed流产品及推荐算法策略架构解析
- 特征
user，item，context
其中item特征最重要
统计特征也是重要的如7天，14天，21天，28天 - 模型
lr，gbdt树模型，xgb，dnn，fm，ffm，deepfm，deep cross net，wide and deep - 注意点
latency：小于0.1s
召回 -> 精排
多路召回分支相当于dict
key（用户历史浏览的item/用户的标签/地域/时间。。。/主题topic/userid）
value(item/userid) - 指标
一般用AUC，测试集在0.7-0.8 - 冷启动
用户冷启动：直接分发热门，收集用户特征分发，制造粗粒度选项分发，分享用户数据分发，最后用bandit算法；
物品冷启动：对物品内容tag2i，或者用bandit算法
