推荐系统目前已经深入到了互联网的各类产品中。不管是到电子商务网站购物,还是到新闻阅读网站获取信息,甚至是在出行的时候希望听到不同的音乐,不同种类的推荐系统都在我们的生活中发挥着举足轻重的作用。
为了给大家全方位给你解读推荐系统核心技术,作者精心整理了21张卡片,推荐各位收藏。
1. 现代推荐架构剖析
在讨论任何一种架构之前,我们首先来看一下这个架构需要解决什么样的问题。然后在这些问题的指引下,我们就可以来分析不同架构在解决这些问题上的优劣。
那么,对于一个推荐架构来说,我们需要解决什么样的问题呢?有以下3点:
- 能够在一两百毫秒内给用户提供当前的推荐结果;
- 对用户和系统的交互结果做出响应;
- 考虑用户群体的覆盖率的问题。
以下3张卡片,由浅入深讲解了最常见的3种现代推荐架构。
2. 简单推荐模型
我们从3种简单的推荐模型讲起。
3. 基于隐变量的模型
我们通过模型的假设,知道隐变量之间的关系,但暂时并不知道隐变量的取值。因此需要通过“推断”过程来确定隐变量的实际取值。当我们知道了这些隐变量的取值之后,就可以根据这些取值来对未来的数据进行预测和分析。
隐变量往往还带有“统计分布”的假设。最简单的隐变量模型是高斯混合模型。
4. 高阶推荐模型
下面,是3种常见的高级推荐模型,分别为:张量分解模型、协同矩阵分解和优化复杂目标函数。
5. 推荐的Exploit和Explore算法
一个推荐系统,如果片面优化用户的喜好,很可能导致千篇一律的推荐结果。所以,就需要EE算法来实现个性化推荐。这里介绍2种最常见的EE算法——UCB算法和汤普森采样算法。
6. 基于深度学习的推荐模型
说完了EE算法,再来聊聊推荐系统研究领域里一个比较前沿的话题,那就是如何利用深度学习来提升推荐系统的精度。主要介绍受限波兹曼机(RBM)、递归神经网络(RNN)和多层神经网络在推荐系统中的应用。
7. 推荐系统的评价
最后,跟大家分享如何评测推荐系统。这个话题非常重要,牵涉到如何持续对一个推荐系统进行评价,从而能够提高推荐系统的精度。评测分为:线下评测、线上评测和无偏差估计。