Match算法介绍（一）

定义：Match基于当前user(profile、history)和context,快速在全库里找到TopN最相关的item。

通常做法：  用各种算法做召回，比如user/item/model-based CF Content-based,Demographic-based,DNN-Embedding-based等March策略，做粗排后交由后面的Rank层做更精细的排序，最终展现TopK item

没有一个算法能覆盖所有信息，一个模型总是从一个角度去优化相关性，可能会忽略其他信息，做算法融合能提高召回率。

Collaborative Filtering

1）协同过滤算法 CF算法

usercf代码实现

itemcf代码实现 (最后生成个倒排表)

2）Item CF 最新实践

Item2Item ：解决热门物品推荐越热问题，热门户降权、热门Item降权

实时I2I(腾讯2015) 更新item列表，当 过来，在内存更新pair i1->i2 ，解决新品推荐问题。

3) Hybrid i2i： 算法的好坏体现在点击上，比如10种i2i,根据每个场景训练每个小模型，设置不同的权重。paper : Learning to Rank for Information Retrieval，Tie-Yan L

问题：

  买了还推怎么解决

  推荐过于同质化（当看了一个物品后，推荐的都是这个物品相似的物品） listwise

  搭配推荐算法

Model Based CF问题定义 ：进行矩阵补全

  svd算法进行矩阵补全，但是缺点是计算代价大，不是非常好。没有正则项，容易过拟合。

   MF(user-based CF)：用UserId来表示用户

   FISM(item-based CF): 用用户评价的item来表示用户

  SVD++混合了两种paper: Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model，(Koren, KDD’08) 

因为svd++只应用了userid/item两种信息，如何融入更多的信息，将user/item属性 和上下文怎么融合进去

FM:Factorization Machines Steffen Rendle Rendle ICDM’

Top-N Recommendation的效果->pairwise ranking loss （排序关系）

paper:Known as the Bayesian Personalized Ranking loss (Rendle, 
UAI’09

工业界： 在大数据情况下，将模型并行，采用分布式的。tensorflow训练/在线服务。

常用的结构：Spark/MPI(分布式)+tensorflow（小模型的计算）