推荐系统学习（一）——了解现有的推荐系统

2023-09-16 22:31:42

目录

一、推荐系统的各类算法
- 1. 传统推荐算法
- - 1）协同过滤算法
  - 2）矩阵分解算法
  - 3）逻辑回归模型LR
  - 4）因子分解机模型FM
  - 5）梯度提升树+逻辑回归组合模型GBDT+LR
- 2. 深度学习推荐系统
- - 1）嵌入技术在推荐系统的应用
  - 2）基于多层感知机的推荐模型
  - 3）基于卷积神经网络的推荐系统
  - 4）基于循环神经网络的推荐系统
  - 5）注意力机制的推荐系统
  - 6）树模型与推荐系统的结合
- 3. 图网络推荐系统
- - 1）图卷积网络推荐系统
  - 2）图注意力网络推荐系统
  - 3）图自动编码器推荐系统
  - 4）图生成网络推荐系统
  - 5）图时空网络推荐系统
二、推荐系统的可解释性

一、推荐系统的各类算法

1. 传统推荐算法

1）协同过滤算法

核心思想：综合用户和项目显式反馈信息，构建用户和项目的二元共现矩阵。
问题：随着用户和物品的规模增大，共现矩阵会变更稀疏，在计算相似度时准确率会降低，而且泛化能力差（评分高的会多次推荐，而评分信息少的新物品则较少推荐）【二元共现矩阵–>稀疏矩阵】

2）矩阵分解算法

主要思想：分解共现矩阵，使用矩阵分解算法，为用户和项目分别生成一个隐向量，然后把用户向量和项目向量的点积作为用户对项目的预测评分。
矩阵分解的泛化能力更强，缓解数据稀疏问题，空间复杂度更低，只需要存用户和项目向量
隐向量缺乏可解释性，且只利用了用户和项目的评分信息，没有用其他的特征信息

3）逻辑回归模型LR

主要思想：相比起协同过滤和矩阵分解只用到了用户和项目的交互信息，LR能融合用户画像特征、物品属性、上下文信息等多个特征，将各特征转化为数值向量，输入到网络中训练

4）因子分解机模型FM

主要思想：在LR的基础上，加入二阶交叉特征组合，FM为每个特征引入了一个具有低维稠密的隐向量特征，并且用向量特征的内积作为特征交叉的权重。

5）梯度提升树+逻辑回归组合模型GBDT+LR

主要思想：使用梯度提升决策树进行自动化特征工程，提取重要特征和进行特征组合，树的最后一层叶节点生成新的离散特征，作为逻辑回归模型的输入

2. 深度学习推荐系统

1）嵌入技术在推荐系统的应用

嵌入技术：主要处理稀疏矩阵，融合大量信息形成有价值的低维向量，输入到神经网络中训练

2）基于多层感知机的推荐模型

通常原始数据经过嵌入层形成向量后，会输入到多层感知机中，可以进一步提取高阶特征交叉。
应用在预测用户对项目的评分、精准排序任务和用户点击率预测的任务，能充分利用用户画像特征、项目属性特征和上下文信息，进行特征提取，而且能缓解数据稀疏、高阶特征组合等问题

3）基于卷积神经网络的推荐系统

卷积神经网络的卷积和池化计算主要学习数据局部特征，可以提取非结构化多媒体数据，对多源异构数据进行表征学习
在推荐系统中，卷积神经网络适用多模态推荐、图片推荐和文本推荐任务

4）基于循环神经网络的推荐系统

RNN的最大特点：有记忆性并且能够参数共享，它能获取某一时刻的输入数据和前一时刻的隐层状态，来预测当前时刻的输出
推荐系统结合RNN有记忆性的特点，对用户的历史会话序列建模，学习用户偏好演变过程以及用户上下文相关兴趣，应用于会话推荐任务

5）注意力机制的推荐系统

理解：用户的点击行为是局部活跃，某一时刻点击行为仅仅和过去的部分历史数据有关，而不是所有历史记录
主要想法：将用户的行为基于注意力机制进行加权求和，使模型更关注有益信息，预测下一次点击动作

6）树模型与推荐系统的结合

把树模型用于有效的交叉特征，能提高模型的可解释性

3. 图网络推荐系统

1）图卷积网络推荐系统

2）图注意力网络推荐系统

3）图自动编码器推荐系统

4）图生成网络推荐系统

5）图时空网络推荐系统

二、推荐系统的可解释性

推荐系统学习（一）——了解现有的推荐系统相关推荐

推荐系统学习笔记召回策略之基于协同过滤召回
基于协同过滤的召回 1. 概述 2. 基于近邻的协同过滤算法 3. 相似度计算方法 4. 协同过滤算法的进化-矩阵分解图1. 推荐系统整体架构推荐系统学习笔记系列链接: 推荐系统学习笔记--特征工 ...
推荐系统学习笔记——特征工程
特征工程一. 概述二. 特征工程构建原则三. 常用的特征有哪些四. 常用的特征的处理方法五. 特征选择六. 总结推荐系统学习笔记系列链接: 推荐系统学习笔记--特征工程推荐系统学习笔记 ...
张俊林：从对比学习视角，重新审视推荐系统的召回粗排模型
分享嘉宾:张俊林博士新浪微博编辑整理:王岩出品平台:DataFunTalk 导读:今天分享的主题是从对比学习的视角,即从一个不同的角度来看看推荐系统里面的召回和粗排模型.对比学习从去年年中开始比 ...
600页！分享珍藏很久的《推荐系统学习手册》（附下载链接及入门经验）
这是之前学习推荐系统时的学习资料,非常全面,包含经典模型的解析及代码实现.模型的评估.最新工业界论文解读等等,全网仅此一份!该手册有PDF版本和Markdown版本,总计有600多页! 资料领取方式: ...
Angel：深度学习在腾讯广告推荐系统中的实践
分享嘉宾:郭跃超腾讯应用研究员编辑整理:康德芬出品平台:DataFunTalk 导读:Angel是腾讯自研的分布式高性能的机器学习平台,支持机器学习.深度学习.图计算以及联邦学习等场景.Ang ...
700页！分享珍藏很久的《推荐系统学习手册》（附下载链接及入门经验）
这是之前学习推荐系统时的学习资料,非常全面,包含经典模型的解析及代码实现.模型的评估.最新工业界论文解读等等,全网仅此一份!该手册有PDF版本和Markdown版本,总计有700多页! 资料领取方式: ...
对比学习视角：重新审视推荐系统的召回粗排模型
省时查报告-专业.及时.全面的行研报告库省时查方案-专业.及时.全面的营销策划方案库对比学习在快手推荐系统中的应用实践机器学习在B站推荐系统中的应用实践小红书推荐系统中台应用实践微信视频号实 ...
Coggle推荐系统学习任务1：推荐系统基础
任务1:推荐系统基础 1.推荐系统与常见的结构化问题的区别是什么? 推荐系统是用来解决信息过载的手段. 作为信息消费者,如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情;作为信息生产者, 如何 ...
【推荐系统学习总结 NCF =＞ NGCF =＞ LightGCN】
推荐系统学习总结 NCF => NGCF => LightGCN NCF(别名 NeuMF) 背景动机创新点模型框架损失函数核心代码实现 NGCF 背景动机创新点模型框架 ...
【免费学习半个月】强烈推荐你学习这个《机器学习与推荐系统实训强化课》...
前几天,我给朋友推荐一个课程,跟他说认真学能拿到头条offer,一开始还说我吹牛,看完介绍,结果直接就报名了.就是下面这个 <机器学习与推荐系统实训强化课> 「Machine Learni ...

最新文章

热门文章