个性化推荐算法综述

目前,推荐系统广泛应用于电商、信息流和地图。工业级推荐系统架构一般以召回+推荐作为大框架。其中,以算法区分,如下图所示。

推荐系统结构

离线/线上指标如下图所示:

离线/线上指标

个性化召回算法是根据用户的属性行为上下文等信息从物品全集中选取其感兴趣的物品作为候选集,召回决定了最终推荐结果的天花板。
个性化召回分为以下几类:

  • 基于用户行为的
  • 基于user profile的
  • 基于隐语义的

以算法为例,有以下算法:

  • CF
  • LFM
  • Personal Rank
  • Item2vec
  • Content Based

个性化排序算法是将个性化召回的物品候选集根据物品本身的属性结合用户的属性,上下文等信息给出展现优先级的过程。
工业界推荐系统中一般采用粗排序->主排序->重排序的过程。
主排序分为以下几类:

  • 单一的浅层模型
  • 浅层模型的组合
  • 深度学习模型

以算法为例,有以下算法:

  • xgboost
  • gbdt+lr
  • wide and deep

下面,会分别记录其算法主要实现思路和过程。

posted @   Jamest  阅读(1340)  评论(1编辑  收藏  举报
编辑推荐:
· 一个奇形怪状的面试题:Bean中的CHM要不要加volatile?
· [.NET]调用本地 Deepseek 模型
· 一个费力不讨好的项目,让我损失了近一半的绩效!
· .NET Core 托管堆内存泄露/CPU异常的常见思路
· PostgreSQL 和 SQL Server 在统计信息维护中的关键差异
阅读排行:
· DeepSeek “源神”启动!「GitHub 热点速览」
· 我与微信审核的“相爱相杀”看个人小程序副业
· 上周热点回顾(2.17-2.23)
· 如何使用 Uni-app 实现视频聊天(源码,支持安卓、iOS)
· spring官宣接入deepseek,真的太香了~
点击右上角即可分享
微信分享提示