深度学习推荐系统

知乎讲解

目录

• 问题
• 前深度学习时代

问题

页码	问题内容
P46	为什么L1范数比L2范数更容易产生稀疏解

前深度学习时代

P48

模型名称	基本原理&Tips	特点	局限性
协同过滤(Collaborative, CF)	协同大家的反馈、评价和意见（共现矩阵）一起对海量的信息进行过滤,focus相似度	非常直观	但泛化性很差，无法将两个物品相似这一信息用于计算—新商品的向量非常稀疏，推荐结果的头部效应很明显
用户协同过滤 UserCF		具有较强的社交特性，适合发现热点，跟踪热点的趋势————适合新闻推荐场景	互联网应用下用户数远远大于物品数，用户的历史数据向量往往非常稀疏
物品协同过滤 ItemCF		适用于兴趣变化较为稳定的应用，比如电商，视频推荐场景
改进算法—矩阵分解	为每个用户和视频生成一个隐向量，在空间上相近的用户和视频即为类似视频。计算方法：特征值分解（只能方阵），奇异值分解（要求稠密，计算量大），梯度下降	提高了稀疏矩阵的处理能力，泛化能力强，空间复杂低，扩展性	难以利用其他用户、物品特征以及上下文信息
逻辑回归	点击率(Click Through Rate, CTR)预估问题，focus分类问题，预测正样本的概率		表达能力不强，无法特征交叉，特征筛选等一系列高级操作，不可避免的造成信息损失。
因子分解机(Factorization Machine, FM)
域感知因子分解机(Field-aware Factorization Machine, FFM)