推薦系統概述

• 1.數據部分
• 2.模型部分
• • 2.1模型的組成
  • 2.2模型的訓練
  • 2.3模型評估

《深度學習/推薦系統》讀書筆記

推薦系統要處理的問題：對于用戶U(user)，在特定的場景C(context)，針對海量的“物品信息”，構建一個模型$f(U,I,C)$, 預測用戶對于特定候選物品I(item)的喜好程度，再依據喜好程度對所有候選物品進行排序，生成推薦列表的問題。

推薦系統的最終優化目標包括兩個維度：

用戶體驗的優化

公司商業利益的優化

在信息過載的時代，如何高效推薦。

推薦算法工程師要做什么：數據和模型（其實也就是推薦系統涉及的技術）

1.數據部分

收集和處理數據的三種平臺，收集原數據，處理原始數據

客戶端及服務器端實時數據處理

流處理平臺實時數據處理

大數據平臺離線數據處理

數據平臺的數據出口：

模型訓練樣本數據

線上推斷特征數據

監控系統的統計數據

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–對召回的候選集進行精排

補充策略及算法層–依據某些規則(兼顧多樣性，新鮮度，流行性，競價?)對候選集合進行再排序

在模型部分，最重要的是排序層算法的設計。

2.2模型的訓練

離線訓練–利用全部樣本，逼近全局最優
在線更新–利用新的數據，反映新數據變化趨勢，滿足實時性需求

2.3模型評估

離線評估
線上A/B測試

（模型的迭代優化。）

總結

以上是生活随笔為你收集整理的推荐系统(1)-概述的全部內容，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。