推荐系统概述

• 1.数据部分
• 2.模型部分
• • 2.1模型的组成
  • 2.2模型的训练
  • 2.3模型评估

《深度学习/推荐系统》读书笔记

推荐系统要处理的问题：对于用户U(user)，在特定的场景C(context)，针对海量的“物品信息”，构建一个模型$f(U,I,C)$, 预测用户对于特定候选物品I(item)的喜好程度，再依据喜好程度对所有候选物品进行排序，生成推荐列表的问题。

推荐系统的最终优化目标包括两个维度：

用户体验的优化

公司商业利益的优化

在信息过载的时代，如何高效推荐。

推荐算法工程师要做什么：数据和模型（其实也就是推荐系统涉及的技术）

1.数据部分

收集和处理数据的三种平台，收集原数据，处理原始数据

客户端及服务器端实时数据处理

流处理平台实时数据处理

大数据平台离线数据处理

数据平台的数据出口：

模型训练样本数据

线上推断特征数据

监控系统的统计数据

2.模型部分

2.1模型的组成

召回层–海量候选集中召回用户可能感兴趣的物品

排序–对召回的候选集进行精排

补充策略及算法层–依据某些规则(兼顾多样性，新鲜度，流行性，竞价?)对候选集合进行再排序

在模型部分，最重要的是排序层算法的设计。

2.2模型的训练

离线训练–利用全部样本，逼近全局最优
在线更新–利用新的数据，反映新数据变化趋势，满足实时性需求

2.3模型评估

离线评估
线上A/B测试

（模型的迭代优化。）

总结

以上是生活随笔为你收集整理的推荐系统(1)-概述的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。