思維導圖：

? ? ? ? ? ? ? ? ? ? ? ?

?

推薦系統在技術實現上一般劃分三個階段：挖掘、召回、排序。

模型融合：

挖掘的工作就是對用戶和物品做非常深入的結構化分析，對各個角度的特征都被呈現出來，并且建好索引，供召回階段使用，大部分挖掘工作都是離線進行的。

召回：

因為物品太多，每次給一個用戶計算推薦結果時，如果對全部物品挨個計算，那將是一場災難，取而代之的是用一些手段從全量的物品中篩選出一部分比較靠譜的

最后就是排序，針對篩選出的一部分靠譜的做一個統一的論資排輩，最后這個統一的排序就是融合

示意圖如下：

在召回階段，其實就是各種簡單的，復雜的推薦算法，比如說基于內容的推薦，會產生一些推薦結果，比如基于物品的協同過濾會產生一些結果，矩陣分解會產生一些結果，等等。

總之，每種算法都會產生一些推薦結果，一般同時還附帶給每個結果產生一個推薦結果，是各自算法給出來的。不同算法只負責推舉出候選結果，真正最終是否推薦給用戶，由另一個統一的模型說了算，這個叫做模型的融合。

典型的模型融合：邏輯回歸和梯度提升決策樹組合

組合原理：

在推薦系統的模型融合階段，就要以產品目標為導向。

簡單的例子：信息流推薦，如果以提高ctr為目標，則模型融合就要把預估ctr作為本職工作，這個工作一直一來就是邏輯回歸完成

邏輯回歸：

ctr 預估就是在推薦一個物品之前，預估一下用戶點擊它的概率有多大，再根據這個預估的點擊率對物品排序輸出。

邏輯回歸經常被選來執行這個任務，它的輸出值范圍就是0和1之間，剛好滿足點擊率預估的輸出，這是一個基礎。因為邏輯回歸是廣義線性模型，相比于傳統線性模型，在線性模型基礎上增加了 sigmoid函數。

?在對召回階段不同算法給出的候選物品計算ctr預估時，需要：特征、權重

第一個是特征，就是向量化、向量的方式把一個用戶和一個物品的成對組合表示出來。量化方式包括兩種：實數和布爾。實數好理解，比如一個用戶的年齡，一個用戶平均在某個類上每個月的花銷等，布爾，就是取值0或1，針對兩種類別形式的，比如用戶所在的省市，物品的每一個標簽。

用戶和每一個候選物品都組一下，然后以這種特征化的方式表達出來，就可以計算了，否則類別形式的字段不能直接參與計算。

第二個就是權重，每個特征都有一個權重，權重就是特征的話語權，在決定那些物品最終有機會能走到前臺的選秀過程中，用戶和物品對這對組合的所有特征都有投票權，只是每個特征的權重不一樣，對最終計算ctr影響??大有小。

有了特征x，還有特征的權重，也是一個維度和特征一樣的向量w，通過對 x和w做點擊運算，就得到一個傳統線性模型的輸出，再用sigmoid函數對這個值做一個變換，就得到一個0到1之間的值，也就是預估的ctr

特征工程＋線性模型，就是模型融合、ctr預估必備的方法

權重主要是損失函數最小化，就是模型的偏差是否足夠小，另一個就是模型的正則化，就是看模型的方差是否足夠小，學習模型的權重，經典的方法就是梯度下降一類，但是梯度下降效果收斂很慢。后來google在2013年發表新的學習算法：FTRL，一種結合L！正則和L2正則的在線優化算法

梯度提升決策樹GBDT部分請看：https://blog.csdn.net/weixin_41362649/article/details/82803279

模型融合的原理雖然比較簡單，但是實際應用中非常的有效。

?

?

打盡協同過濾、矩陣分解和線性模型

?

? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

??

‘

?

?

?

總結

以上是生活随笔為你收集整理的推荐系统笔记(模型融合)的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。