CF FM 传统的机器学习lightfm lightgbmranker 多标签分类 深度学习 多路召回
L2R算法主要包括三种类别：PointWise，PairWise，ListWise
评价指标
auc recall ndcg hitrate precsion
冷启动：用户冷启动 物品冷启动 系统冷启动
热度推荐 内容推荐 挖掘更多信息
协同过滤分为两种，一种是基于用户，一种是基于商品。Amazon的工作采用的是ItemCF，即基于商品，因为用户的行为数据往往过于稀疏。协同过滤简单可解释，但不具备泛化能力。具体的体现就是，尾部的商品因为数据稀疏，在计算与其他商品的相似度时往往趋于零，导致尾部商品大概率不被推荐，但其实它未必对客户不重要。
Netflix在2006年提出了矩阵分解技术，其很好解决了上述问题。通过矩阵分解，用户和商品都得到了与其对应的隐向量，泛化能力很强。不过矩阵分解（奇异值分解）计算量很大，并且不适合处理大规模稀疏矩阵。
逻辑回归可以很好的解决上述问题。逻辑回归即一个线性模型再套一个Sigmoid层，经过训练每一个因子前的权重代表这个因子对因变量的重要程度，而且最后的因变量还在0-1之间。逻辑回归的好处很多。
