序列召回

1. 推荐基础

可以看到，我们通过不同阶段的算法将这一过程切分成了不同的阶段，这张图上我们将推荐算法分为了三个阶段

召回：待计算的候选集合大、计算速度快、模型简单、特征较少，尽量让用户感兴趣的物品在这个阶段能够被快速召回，即保证相关物品的召回率。常用的有多路召回（即多种策略进行召回），embedding向量召回

精排：首要目标是得到精准的排序结果。需要处理的物品数量少，可以利用较多的特征，使用比较复杂的模型

重排：为了避免排序阶段的结果趋于同质化，让用户有更好的体验，这里对排序的结果进行多样化考虑，提高用户的使用体验

2. 召回

召回分为三种：

1. 基于规则

通常的一些运营规则，例如召回点击次数最多的Item、召回购买次数最多的Item、召回购买金额最多的Item、召回地域最热的Item

2. 基于协同过滤

分为两种，分别为统计和MF的协同过滤

3. 向量召回

分为以下几类
I2I：计算item-item相似度，用于相似推荐、相关推荐、关联推荐

U2I：基于矩阵分解，直接给用户推荐item

U2U2I：基于用户的协同过滤，先找相似用户，再推荐相似用户喜欢的item

U2I2I：基于物品的协同过滤，先统计用户喜爱的item，再推荐他喜欢的item

U2TAG2I：基于标签偏好推荐，先统计用户偏好的tag，然后匹配所有的item；其中tag一般是item的标签、分类、关键词等。

GRU4REC

核心思想：

在GRU4REC中，用最后一个单元的输出作为整个序列的embeding，也就是说输入是item序列，最后一个单元的输出作为user的embeding。

实现代码：

def forward(self, item_seq, mask, item, train=True): 

         seq_emb = self.item_emb(item_seq)

        seq_emb,_ = self.gru(seq_emb)

        user_emb = seq_emb[:,-1,:] #取GRU输出的最后一个Hidden作为User的Embedding