《深度学习/推荐系统》读书笔记

推荐系统要处理的问题：对于用户U(user)，在特定的场景C(context)，针对海量的“物品信息”，构建一个模型$f(U,I,C)$, 预测用户对于特定候选物品I(item)的喜好程度，再依据喜好程度对所有候选物品进行排序，生成推荐列表的问题。

推荐系统的最终优化目标包括两个维度：

1. 用户体验的优化
2. 公司商业利益的优化

在信息过载的时代，如何高效推荐。

推荐算法工程师要做什么：数据和模型（其实也就是推荐系统涉及的技术）

1.数据部分

收集和处理数据的三种平台，收集原数据，处理原始数据

1. 客户端及服务器端实时数据处理
2. 流处理平台实时数据处理
3. 大数据平台离线数据处理

数据平台的数据出口：

1. 模型训练样本数据
2. 线上推断特征数据
3. 监控系统的统计数据

2.模型部分

2.1模型的组成

召回层–海量候选集中召回用户可能感兴趣的物品

排序–对召回的候选集进行精排

补充策略及算法层–依据某些规则(兼顾多样性，新鲜度，流行性，竞价?)对候选集合进行再排序

在模型部分，最重要的是排序层算法的设计。

2.2模型的训练

离线训练–利用全部样本，逼近全局最优
在线更新–利用新的数据，反映新数据变化趋势，满足实时性需求

2.3模型评估

离线评估
线上A/B测试

（模型的迭代优化。）