推荐算法的知识框架【更新中】
几年前刚进入行业时，就简单认为不过是wide&deep做精排，双塔FM做召回做粗排，再加上一些周边项目，比如冷启动和多模型融合调参，就组成了一个完整的推荐系统算法部分。再回头思考这一切，不再迷失在各式各样的实现细节中，关注本质，有了更广泛的认识，分为一下几个部分。
1. 建模方法
多阶段的推荐系统如何建模，召回/粗排建模精排还是最终的目标，有效的模型是定义明确的对象，不能说以dau为目标做建模
1.1 pairwise
1.2 learn to rank ？ listwise
2. 特征和样本
2.1
2. 模型
2.1 模型结构
-
LR
-
FM
新的认识，数学上的，items x users 的 01矩阵 A(m*n) ，m 个item， n个user，m和n都很大，压缩成 m * d 和 d * n 维向量，看作是近似矩阵分解
FFM
Wide&deep
DeepFM
xDeepFM
SENet
召回模型
向量化，简单有效，FM真是一把利器
但是压缩成向量限制了性能，更多的手段
粗排模型
从双塔到小精排
2.2 优化器
2.3 超参数
几个最重要的超参数，learning rate，batch size，parallel size，
初始化方法，
正则化，
