推薦系統(tǒng)概述

• 1.數(shù)據(jù)部分
• 2.模型部分
• • 2.1模型的組成
  • 2.2模型的訓(xùn)練
  • 2.3模型評(píng)估

《深度學(xué)習(xí)/推薦系統(tǒng)》讀書筆記

推薦系統(tǒng)要處理的問題：對(duì)于用戶U(user)，在特定的場(chǎng)景C(context)，針對(duì)海量的“物品信息”，構(gòu)建一個(gè)模型$f(U,I,C)$, 預(yù)測(cè)用戶對(duì)于特定候選物品I(item)的喜好程度，再依據(jù)喜好程度對(duì)所有候選物品進(jìn)行排序，生成推薦列表的問題。

推薦系統(tǒng)的最終優(yōu)化目標(biāo)包括兩個(gè)維度：

用戶體驗(yàn)的優(yōu)化

公司商業(yè)利益的優(yōu)化

在信息過載的時(shí)代，如何高效推薦。

推薦算法工程師要做什么：數(shù)據(jù)和模型（其實(shí)也就是推薦系統(tǒng)涉及的技術(shù)）

1.數(shù)據(jù)部分

收集和處理數(shù)據(jù)的三種平臺(tái)，收集原數(shù)據(jù)，處理原始數(shù)據(jù)

客戶端及服務(wù)器端實(shí)時(shí)數(shù)據(jù)處理

流處理平臺(tái)實(shí)時(shí)數(shù)據(jù)處理

大數(shù)據(jù)平臺(tái)離線數(shù)據(jù)處理

數(shù)據(jù)平臺(tái)的數(shù)據(jù)出口：

模型訓(xùn)練樣本數(shù)據(jù)

線上推斷特征數(shù)據(jù)

監(jiān)控系統(tǒng)的統(tǒng)計(jì)數(shù)據(jù)

2.模型部分

2.1模型的組成

召回層–海量候選集中召回用戶可能感興趣的物品

排序–對(duì)召回的候選集進(jìn)行精排

補(bǔ)充策略及算法層–依據(jù)某些規(guī)則(兼顧多樣性，新鮮度，流行性，競(jìng)價(jià)?)對(duì)候選集合進(jìn)行再排序

在模型部分，最重要的是排序?qū)铀惴ǖ脑O(shè)計(jì)。

2.2模型的訓(xùn)練

離線訓(xùn)練–利用全部樣本，逼近全局最優(yōu)
在線更新–利用新的數(shù)據(jù)，反映新數(shù)據(jù)變化趨勢(shì)，滿足實(shí)時(shí)性需求

2.3模型評(píng)估

離線評(píng)估
線上A/B測(cè)試

（模型的迭代優(yōu)化。）

總結(jié)

以上是生活随笔為你收集整理的推荐系统(1)-概述的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。