前言

博主在之前的文章中介紹過使用keras搭建一個基于矩陣分解的推薦系統,而那篇文章所介紹的方法可能只是一個龐大推薦系統中的一小環節。而對于工業級別的推薦系統，面對極其龐大的產品種類數量，一步就輸出符合用戶心意的產品可能夠嗆，最好的方式應該是從巨大的產品類別之中粗篩出一些靠譜的待推薦產品，然后再從粗篩的產品中精挑細選出要推薦給用戶的最終產品。

工業級別的推薦系統簡介

工業級別的推薦系統的架構圖如下圖所示，大致分為兩個階段：

• 召回階段：也就是粗篩階段，由于涉及到的產品數量巨大，大的公司都是千萬級別，甚至上億級別的產品數量，此階段的模型應該盡量簡單，特征維度也盡量少，這樣方便快速篩選出一些待推薦的產品。

• 排序階段：即對上一階段粗篩出來的待推薦產品進行精挑細選，此階段為了推薦出符合用戶心意的產品，需要模型盡量的準確。而且由于粗篩階段將數據量減少到幾千，甚至幾百級別，所以使用復雜模型，并且特征維度也可以盡量豐富，盡量多一些，這樣訓練出來的模型才能有較強的性能。

   

  推薦系統的架構圖

總結

以上是生活随笔為你收集整理的深度学习核心技术精讲100篇（六）-keras 实战系列之推荐系统FM（Factorization Machine）算法的全部內容，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。