推荐系统整体知识架构
推荐模型发展
工业
CTR模型的三个改进大点：显性特征交叉， 特征重要度， user历史信息的挖掘
- 显性特征交叉： 针对的是隐性无脑交叉的DNN的不足， 针对一些重要的关键特征进行显性特征交叉， 提取出再一个层次上的重要特征来， 然后再去无脑隐性。 代表模型： PNN，NeuralFM，DeepFM，NFM，DCN等。 改进思路：①内积 ②哈达玛积 ③外积 ④DCN的交叉网络(这是个亮点思路)
- 特征重要度： 对原始特征和线性交叉特征做重要性排序，或者加权，代表模型：AFM，DIN，DIEN等。 改进思路： ①注意力机制 ②哈达玛积做交叉 ③FiBiNet里面用的双线性的思路(这个模型后期会整理)
- user历史信息的挖掘: 这个就是考虑用户的历史行为特征，对这些历史行为进行信息挖掘。 典型的DIN，DIEN，DSIN(下一篇)等。 改进思路：序列加上，然后Attention ②RNN系列的网络提取，包括transformer， 计算量大， 部署困难 ③先根据时间段分组，然后pooling ④ 引入sideinfo信息之后，分组， 然后pooling。
工业上常用的推荐模型：
- 传统模型：LR， GBDT+LR， FM，FFM
- Deep 模型： wide&Deep, deepFM, DIN, PNN, DCN, Fi-BiNet
常用程度：
- 第一梯队： LR， GBDT+LR， FM
- 第二梯队： DeepFM, W&D
- 第三梯队: DIN, FFM, PNN 等
一些很复杂的模型， 虽然可能理论上效果比较好，但是在真正工程实践中并不是很常用。 可能的原因是部署复杂，且训练难度很大。此外，还有模型增量更新的问题， 增量训练是定时更新某层模型参数， 所以树模型是没法进行增量训练的。一训练就改变树结构了，一般，模型是梯度更新的那种，比如LR ,FM, W&D, deepFM等可以增量训练。 而GBDT+LR的话，只能增量更新LR的部分
一直在写论文投稿。。。。持续学习ing
学习参考_大佬栏目
代码参考_DeepCTR
