目前工業界常用的召回排序模型主要有:
(1)基於內容的召回
使用item之間的相似性來推薦與使用者喜歡的item相似的item。
(2)基於協同過濾的召回
協同過濾主要可以分為基於使用者的協同過濾、 基於物品的協同過濾、基於模型的協同過濾(如矩陣分解als、svd、svd++等等)。
(3)基於關聯規則召回
基於關聯規則召回通常有頻繁模式挖掘,如apriori、fpgrowth等模型
(4)基於深度學習模型的召回
基於深度學習模型的召回也稱之為embedding向量召回(每個user和item在乙個時刻只用乙個embedding向量去表示)的一些經典方法,其主要思想為:將user和item通過dnn對映到同乙個低維度向量空間中,然後通過高效的檢索方法去做召回。常見的模型有:ncf模型、youtube dnn召回、 雙塔模型召回、mind模型等等。
(5)基於圖模型召回
基於圖模型召回有二部圖挖掘,如simrank;graph embedding模型,如deepwalk、node2vec等模型。
(6)基於使用者畫像的召回
基於使用者畫像的召回主要根據使用者畫像如品牌偏好、顏色偏好、**偏好等偏好資訊召回。
(7)基於熱度召回
(1)基於傳統的機器學習模型
基於傳統的機器學習模型如lr、svm等模型。
(2)基於樹模型
基於樹模型有gbdt、randomforest、xgboost等。
(3)基於交叉特徵模型
基於交叉特徵模型有fm、ffm、lr+gbdt等
(4)基於深度學習模型的排序
基於深度學習模型的排序有widedeep、dcn、deepfm等。
紅豆Live推薦演算法中召回和排序的應用和策略
本文由 紅豆live推薦演算法中召回和排序的應用和策略 作者 胡南煒 編輯 emilyinfoq 編輯對微博機器學習計算和服務平台負責人胡南煒進行了採訪,詢問了關於微博旗下的語音直播平台 紅豆 live 應用 ai 技術的詳細情況,以及他對 ai 的深入了解和趨勢 紅豆 live 的 ai 布局 據...
推薦系統的常用演算法原理和實現
推薦系統的任務就是解決,當使用者無法準確描述自己的需求時,搜尋引擎的篩選效果不佳的問題。聯絡使用者和資訊,一方面幫助使用者發現對自己有價值的資訊,另一方面讓資訊能夠展現在對他感興趣的人群中,從而實現資訊提供商與使用者的雙贏。基於人口統計學的推薦 系統首先會根據使用者的屬性建模,比如使用者的年齡,性別...
常用排序演算法實現
按平均時間將排序分為四類 1 平方階 o n2 排序 一般稱為簡單排序,例如直接插入 直接選擇和氣泡排序 2 線性對數階 o nlgn 排序 如快速 堆和歸併排序 3 o n1 階排序 是介於0和1之間的常數,即0 1,如希爾排序 4 線性階 o n 排序 如桶 箱和基數排序。各種排序方法比較 簡單...