可以看KDD会议，最新推荐系统论文。
推荐系统概述
传统推荐模型Old school Model
协同过滤模型
通过对用户之间的关系，用户对物品的评价反馈一起对信息进行筛选过滤，从而找到目标用户感兴趣的信息。
用户—商品的评分矩阵（该矩阵很可能是稀疏的）
| 用户\物品 | |
|---|---|
| x | x |
| x | x |
| x | x |
行向量表示每个用户的喜好，列向量表明每个物品的属性
基于评分矩阵（行列）计算相似度，以下是计算相似度的一些方法：
- 余弦相似度
- 皮尔逊相关系数
- 欧氏距离
- 曼哈顿距离
主要有基于用户的协同过滤与基于物品的协同过滤。
矩阵分解模型
矩阵分解为两个低秩的矩阵的乘积，通过分解后的两矩阵内积，来填补缺失的数据。
优点:思路简单，可以方便完成预测;
缺点:很难增量训练（当样本激增时，可能要重新搭建矩阵），特征融合难;
这里k是个隐因子，相当于是一个超参数。
逻辑回归模型
对预测用户是否会“点击商品”进行分类。转成一个分类模型。
ϕ
(
x
)
=
w
+
w
1
x
1
+
⋯
+
w
n
x
n
=
w
+
∑
i
=
1
n
w
i
x
i
\begin{aligned} \phi(x) &=w_{0}+w_{1} x_{1}+\cdots+w_{n} x_{n} \\ &=w_{0}+\sum_{i=1}^{n} w_{i} x_{i} \end{aligned}
ϕ(x)=w0+w1x1+⋯+wnxn=w0+i=1∑nwixi
优点:模型简单，可解释性强，训练速度快(SGD梯度下降);
缺点:模型建模能力有限（没有考虑特征之间的相关性，以及特征之间的交叉），需要人工特征工程;
特征交叉模型
PLOY2
ϕ
(
x
)
=
w
+
∑
i
=
1
n
w
i
x
i
+
∑
i
=
1
n
−
1
∑
j
=
i
+
1
n
w
i
j
x
i
x
j
\phi(x) = w_{0}+\sum_{i = 1}^{n} w_{i} x_{i}+\sum_{i = 1}^{n-1} \sum_{j = i+1}^{n} w_{i j} x_{i} x_{j}
ϕ(x)=w0+∑i=1nwixi+∑i=1n−1∑j=i+1nwijxixj
在逻辑回归基础上加入了暴力二阶特征交叉。
优点:加入二阶特征，建模能力增强;
缺点:时间复杂度高
n
−
−
>
n
2
n-->n^2
n−−>n2;
Factorization Machine
ϕ
(
x
)
=
w
+
∑
i
=
1
n
w
i
x
i
+
∑
i
=
1
n
−
1
∑
j
=
i
+
1
n
⟨
v
i
,
v
j
⟩
x
i
x
j
\phi(x)=w_{0}+\sum_{i=1}^{n} w_{i} x_{i}+\sum_{i=1}^{n-1} \sum_{j=i+1}^{n}\left\langle v_{i}, v_{j}\right\rangle x_{i} x_{j}
ϕ(x)=w0+∑i=1nwixi+∑i=1n−1∑j=i+1n⟨vi,vj⟩xixj
为每个特征加入隐含权重(两个向量之间的内积)，作为特征交叉的权重。
优点∶相比于PLOY2降低了模型参数量（
n
2
−
−
>
n
K
n^2-->nK
n2−−>nK），自动特征工程
缺点︰特征交叉度有限(二阶)
GBDT+LR
GBDT:作为特征编码器;主要用于输入数据的特征筛选以及特征编码，生成离散的特征向量
LR（逻辑回归）︰利用编码结果进行训练
优点︰灵活，适合新增特征（用树模型作特征组合）
缺点：树模型复杂度高
深度推荐模型
深度协同过滤(Neural CF )
将用户对物品的打分当做分类问题。
使用全连接层学习用户与物品的交互。
用多层的神经网络代替矩阵分解的操作
用全连接网络可能会比乘法更加高效一点。
Wide & Deep
基本淘汰
Wide为线性模型，Deep为深度模型
浅层模型(记忆能力）和深层模型模型（泛化能力），
Wide部分可以记住id，以此做一个建模。类似于LR。
Deep可以视为一个全连接网络，类似于NCF。
DeepFM
DeepFM包含FM和DNN两部分，两部分共享输入特征。使用FM替换wide & Deep中的wide部分。
DeepFM:一阶特征+二阶特征+深度特征
抛弃之前的单Wide部分，用FM代替，加强浅层特征的组合能力，用一阶和二阶替代。
DIN
首个加入Attention机制
根据用户和物品调整权重
推荐系统框架&工具
DeepCTR
https://github.com/shenweichen/DeepCTR
https://github.com/shenweichen/DeepCTR-Torch
https://deepctr-torch.readthedocs.io/en/latest/Quick-Start.html
实现了经典的推荐算法模型,支持Keras和Pytroch。
对模型和输出处理封装的比较好，适合比赛用。
xlearn
https://github.com/aksnzhy/xlearn
https://xlearn-doc-cn.readthedocs.io/en/latest/
LR、FM、FFM的高效实现,适合离线建模使用。
RecBole
伯乐,一个统一、全面、高效的推荐系统代码库
https://recbole.io/cn/
支持72个模型，28个数据集，适合学术用途
文本编码方法Text Encoding
-
Count:统计文本字符个数、单词个数
-
LabelEncoder:统一进行标签编
-
Multi One-Hot:进行多值标签编码(例如one-hot编码后相加)
AB : 011 BC : 110 AC : 101
One-Hot：eg：A： 0 0 1 B：010 C：100
-
CounterVector:与Multi One-Hot，但加入次数统计
-
TfidfVectorizer: 次数 和 词频统计
-
Word2Vec:词向量映射，然后聚合