? ? ? ? 之前對推薦相關內(nèi)容的了解都只是停留在理論階段咬荷，也就是只知道目前的三個大的方法刽射，協(xié)同過濾听隐，基于內(nèi)容的补鼻，混合推薦，但是這些明顯只是理論知識上的應用雅任，剛好最近要要再深入研究推薦系統(tǒng)怎么做的风范，在知乎上看到以為博主的專欄，感覺寫得不錯沪么，學習了一下硼婿，里面很多知識都沒有看懂，先記錄下來禽车。
1寇漫、推薦系統(tǒng)召回四模型之：全能的FM模型——https://zhuanlan.zhihu.com/p/58160982
? ? ? ?總結下來大概就是：
? ? ? ?目前的推薦系統(tǒng)分為“召回”和“排序”這兩部分，之前我們常用的協(xié)同過濾和基于內(nèi)容的推薦多是用在“召回”階段殉摔，這個階段主要是產(chǎn)生一個粗粒度的推薦結果州胳，后續(xù)需要再對結果進行排序。
? ? ? ? 也就是說逸月，“召回”階段使用的就是我們常見的一些經(jīng)典的推薦算法栓撞，同時，由于這個階段的數(shù)據(jù)量比較大碗硬，所以一般使用相對簡單的模型瓤湘。
? ? ? ? “排序”階段通常使用的就是一些機器學習里面的分類和回歸模型，按作者提到的一個路線恩尾，最基礎的是LR模型弛说，這個相對更簡單，上線使用更方便（因為沒實踐過翰意，所以也不是太理解）寇钉，現(xiàn)在仍然有很多工業(yè)的推薦系統(tǒng)使用的該模型來排序律适，其次是可以跟LR一起使用的GBDT模型同欠，最后，相對比較新的有FM和DNN模型角塑。按作者的想法，推薦排序模型使用的一個嘗試路線是FM-->DeepFM淘讥，或者LR—>FM-->DeepFM—>干點其他的圃伶。
2、從0到1一個推薦系統(tǒng)的搭建
????????推薦系統(tǒng)初探——https://cloud.tencent.com/developer/article/1174869
????????推薦系統(tǒng)從0到1[一]:數(shù)據(jù)與畫像——https://cloud.tencent.com/developer/article/1174890
? ??????推薦系統(tǒng)從0到1[二]:個性化召回——https://cloud.tencent.com/developer/article/1174893
????????推薦系統(tǒng)從0到1[三]:排序模型——https://cloud.tencent.com/developer/article/1174897
????????總結：這是一個新聞推薦系統(tǒng)的搭建蒲列，是一個針對內(nèi)容推薦相對比較全的流程窒朋。
