目录

0.序言

1.协同过滤（隐式特征） 

1.1 邻域 Neighborhood_CF(usercf, itemcf)

usercf

​itemcf 

相似度计算方法

1.2 矩阵分解 MF 

  1.21  Motivation for MF 

 1.22  矩阵分解的方法

 1.23  概率矩阵分解 

  1.24 消除用户和物品打分的偏差

2.内容过滤 （显式特征）

2.1  逻辑回归LR

2.2 因子分解机FM

2.3 特征域因子分解机FFM

2.4 组合模型

GBDT+LR (Facebook)

LS-PLM (阿里)

0.序言

传统推荐模型可以根据 数据源的不同，分为基于内容的推荐，和基于协同过滤的推荐。

 协同过滤

忽略对item的建模，只考虑用户与物品的交互信息，即 共现矩阵 进行建模。协同过滤根据用户相似度、物品相似度可以划分为 usercf 和 itemcf，分别是行列向量计算相似度。

原理是利用用户访问行为的相似性 或 物品相似性，来互相推荐用户可能感兴趣的物品。

 内容过滤

内容过滤：基本思想是给用户推荐和他们之前喜欢的物品在 内容上 相似的其他物品。核心任务就是 计算物品的内容相似度。

只考虑了item的本身性质，将对象按标签形成集合，如果你消费集合中的一个则向你推荐集合中的其他对象。

侧重于对user 或者 item的 属性信息 建模，比如用户的性别、年龄，商品的颜色、大小等属性。对于同一用户而言，需要利用用户的性别、年龄、爱好等组成特征向量来表示；

1.协同过滤（隐式特征） 

1.1 邻域 Neighborhood_CF(usercf, itemcf)

usercf

itemcf 

相似度计算方法

1.2 矩阵分解 MF 

  1.21  Motivation for MF 

流行度会导致长尾分布，产生头部效应。

也就是热门商品容易和大量商品产生相似性，而尾部商品往往特征向量稀疏，不容易被推荐。

为了缓解流行度产生的头部效应，更好的处理稀疏矩阵，提出了矩阵分解算法。

矩阵分解是在协同过滤算法的共现矩阵的基础上，加入了隐向量的概念，加强了模型处理稀疏矩阵的能力 [2006年]。

矩阵分解将共现矩阵R分解为用户向量U和物品向量V。分解形式为R=U^T✖️V。其中R是N*M维度的，U的维度是D*N的，V的维度是D*M的。

 1.22  矩阵分解的方法

 特征值分解 ED(Eigen Decomposition)

其中，特征值分解，只能作用于方阵。不适用于共现矩阵。

 奇异值分解 SVD(Singular Value Decomposition)

 梯度下降 (Gradient Descent)

 1.23  概率矩阵分解 

为了解决矩阵分解由于噪声存在，有时不存在完美的低秩分解，提出了概率矩阵分解PMF。 

先验假设：对噪声||R-R^||、用户矩阵U、物品矩阵V，进行 高斯先验假设/Laplace先验假设。 

目标函数：max   P(U、V|R) ∝ P(R|U、V)*P(U)*P(V)          

                  等价于共现矩阵R条件下U、V的概率，等价于 U、V条件下R的概率 * P(U) * P(V) 

优化：对R进行max_min归一化，对U^T*V进行 sigmoid激活，把两者都投射到(0,1)区间。这样就解决了评分区间有限的问题。

求解：用梯度下降求数值解。把矩阵每一个值都当成参数，用梯度下降的方法去求解。

  1.24 消除用户和物品打分的偏差

消除行偏置bu(用户user)、列偏置bi(物品item)、均值偏置。

2.内容过滤 （显式特征）

2.1  逻辑回归LR

2.2 因子分解机FM

2.3 特征域因子分解机FFM

2.4 组合模型

GBDT+LR (Facebook)

LS-PLM (阿里)