《深度學習/推薦系統》讀書筆記

推薦系統要處理的問題：對于用戶U(user)，在特定的場景C(context)，針對海量的“物品信息”，構建一個模型$f(U,I,C)$, 預測用戶對于特定候選物品I(item)的喜好程度，再依據喜好程度對所有候選物品進行排序，生成推薦列表的問題。

推薦系統的最終優化目標包括兩個維度：

1. 用戶體驗的優化
2. 公司商業利益的優化

在信息過載的時代，如何高效推薦。

推薦算法工程師要做什么：數據和模型（其實也就是推薦系統涉及的技術）

1.數據部分

收集和處理數據的三種平臺，收集原數據，處理原始數據

1. 客戶端及服務器端實時數據處理
2. 流處理平臺實時數據處理
3. 大數據平臺離線數據處理

數據平臺的數據出口：

1. 模型訓練樣本數據
2. 線上推斷特征數據
3. 監控系統的統計數據

2.模型部分

2.1模型的組成

召回層–海量候選集中召回用戶可能感興趣的物品

排序–對召回的候選集進行精排

補充策略及算法層–依據某些規則(兼顧多樣性，新鮮度，流行性，競價?)對候選集合進行再排序

在模型部分，最重要的是排序層算法的設計。

2.2模型的訓練

離線訓練–利用全部樣本，逼近全局最優
在線更新–利用新的數據，反映新數據變化趨勢，滿足實時性需求

2.3模型評估

離線評估
線上A/B測試

（模型的迭代優化。）