-
推荐系统召回四模型之：全能的FM模型
（1）从多路召回到FM做统一的召回模型，将所有特征划分为（User,Item,Context）三个子集合
（2）从LR到SVM再到FM模型，从MF模型（只有U和I两个特征Fields）到FM模型
（3）优化FM计算效率，从O(kn^2)到O(kn) -
推荐系统召回四模型之二：沉重的FFM模型
（1）两个思考问题：是否可以一统多路召回？是否可以一统召回+排序
（2）FM是每个特征都学会一个embedding向量（组合特征时向量共享），FFM是在不同的特征分类用不同的embedding向量
（3）FM可以改写公式降低复杂度，FFM无法改写所以还是O(kn^2)，如何应用沉重的FFM且为之提速 -
FM：推荐算法中的瑞士军刀
（1）类似Xgboost被誉为kaggle比赛中的瑞士军刀，大公司追求DNN/GNN大杀器，但从0到1快速搭建只能选FM，或者alphaFM，FM是唯一能用于召回粗排精排的
（2）FM召回，只需要把一系列的feature embedding相加，就可以对任何用户在线生成最新的user embedding，从而可以基于用户最新的兴趣，从千万量级候选item中完成实时召回。
（3）FM召回步骤（都是工程经验，非常的干货）：①样本不能只拿曝光未点击做负样本，随机采样负样本+打压热门item，②特征，③训练模型，④线上服务，⑤冷启动新用户与新物料 - FM相关的库
（1）xlearn：xlearn-doc-cn.readthedocs.io
（2）libFM：libfm.org
（3）tffm：github.com/geffy/tffm
（4）alphaFM：github.com/CastellanZha
（5）Spark-FM：github.com/zhengruifeng -
深入理解推荐系统：召回 很全面的介绍了召回技术
（1）基于内容：优缺点、倒排优化、触发key的优化、多维度内容属性
（2）协同过滤：user-based、item-based、model-based(最主流，含矩阵分解、关联算法、聚类算法、DL、GNN)
（3）基于FM模型：召回过程、MF与FM
（4）基于深度学习：softmaxDNN、DNN与矩阵分解、softmax训练
（5）16-20年的召回模型：Youtube DNN、DSSM、RNN、TDM深度树匹配召回 -
推荐系统模型发展简史：参考2022年paper：A Brief History of Recommender Systems
（1）1992-1998：信息过滤和检索到推荐增加销量，提出MovieLens数据集
（2）2005年之前：协同过滤技术主导，2007年第一节RecSys会议
（3）2006-2009：矩阵分解家族
（4）2010之后，SVM、FMs
（5）2016年以来：Wide&Deep和DeepFM、DIN和DIEN、YouTubeDNN和correct-sfx、DCN和DCN V2、FNN、PNN、NeuralCF、NFM、CVAE
history of Rec
- 推荐系统中的 Bias 与 Debias 2020年的一篇野生survey
- 2022年一篇重排阶段的Review Neural Re-ranking in Multi-stage Recommender Systems: A Review
- 非常全面的推荐系统综述和重要论文（不断更新中）：https://github.com/hongleizhang/RSPapers
论文
近几年的顶会论文
- RecSys2022：①研究主题包括公平性、Bias、冷启动、对话推荐、隐私安全，②研究任务包括序列化推荐、捆绑推荐等，③研究技术包括MF的改进（联邦分解）、FM的改进（双注意力高阶因子分解机），结合NLP、对抗学习、RL、联邦学习、自监督学习等
- AAAI 2021：序列推荐/会话推荐/下一个项目推荐，技术结合 RL、Meta用于冷启、attention用于应用、Bert提高性能
- SIGIR2021：Collaborative Filtering、Privacy&Security in RS、Sequential RS、Graph-based RS、Explainable RS、Conversational RS、News RS、Social RS、Cross-domain RS、Attention based RS、Fair RS
- WWW 2021：推荐中的冷启动问题、基于GNN的推荐、社会化推荐、可解释性推荐、基于位置的推荐、基于评论的推荐、序列化推荐以及基于知识图谱的推荐系统等
- WWW 2022：时序、图、可解释性、bias、因果相关、公平性与隐私保护、RL、冷启动、自编码、跨领域、多任务、对比学习
- IJCAI 2022：协同过滤、联邦推荐、离散推荐、对比学习、图、自监督
- RecSys2020：序列推荐、可解释性、无偏和公平、多智能体强化学习
- RecSys 2021：Bias、冷启动、对话推荐、隐私与安全、多模态推荐、可解释性与会话
网友评论