1.推荐系统的阶段：

召回Match（CF，找到候选者）；排序；重排序（多样性/新颖性）

2.推荐系统的评价指标：

precision；recall；F；MAP；NDCG；AUC（Area under ROC Curve,给定一个正样本和负样本，正样本得分高于负样本的概率，当一个分类器将正例的结果都排在负例前面的时候，就是纵坐标先一直升到1，然后往右走，面积为1，理想情况）为啥不用这些指标直接优化呢？因为不可导呀。

多样性/惊喜度/新颖度

上面两大块是矛盾的，实现惊喜多样就会损失准确度

EE问题(多臂老虎机):每次根据以往的收益情况选择一个臂

应用：兴趣探索（兴趣就是老虎机，每次选一个兴趣给它推荐，当用户出现点击等行为的时候就是有收益）；冷启动探索（新用户来了，不知道兴趣分布，这时候就得试验）；LinUCB(产生收益不仅仅和Item有关，item有一定概率产生收益，其实和用户也有关系，用户和Item的特征一起产生一个收益)

覆盖率：信息熵(推的商品的概率越平均不确定越大，覆盖度越高) 基尼系数

3.存在的问题：

冷启动问题

4.召回阶段使用的方法：

协同过滤：基于内存的协同过滤(User based/ Item based)和基于模型的协同过滤矩阵分解(MF,SVD++,FM中特征只有userid和itemid的时候就是MF,特征有userid，itemlist,itemid时就是SVD++)MF进化成FM再进化成DNN

5.排序阶段使用的方法：

先Prerank粗排，简单的模型快，再rank深度模型，慢，准，最后rerank比如基于session的存储。

learn to rank(pointwise/pairwise/listwise)：将个性化召回的物品候选集根据物品本身的属性结合用户的属性，上下文等信息给出展现优先级的过程。之前排序都是计算相似度函数，相似度高的排在前面，但是现在特征太多，将排序引入机器学习概念，就是learn to rank。

实现多目标时，比如对i产生购买行为大于对j产生点击行为。

Pairwise:Bayesian Personalized Ranking(实际上就是在优化AUC，因为BPR就是优化给定i和j，i的分数比j高，就是正例的分数比复例的分数高)

和pointwise目标不一样，训练数据不一样

pointwise每个模型学出来一个得分，进行排序，特征选择和模型训练很重要，感觉更多就是CTR预估的方法

Ranknet:学的是排序位置

Multi-task learning:共享一部分权重，其他实现自己的功能。

6.使用的数据：

显式反馈和隐式反馈

7.两种任务：

评分预测：RMSE均方根误差 MAE平均绝对误差

Top k推荐：Precision/Recall

8.搜索和推荐区别

搜索是主动行为，马太效应，强者越强，弱者越弱；

推荐是被动行为，发现长尾商品，长尾效应，比如很少的产品是销量很高的，很多是销量很低的；