推荐系统实践

        之前对推荐相关内容的了解都只是停留在理论阶段，也就是只知道目前的三个大的方法，协同过滤，基于内容的，混合推荐，但是这些明显只是理论知识上的应用，刚好最近要要再深入研究推荐系统怎么做的，在知乎上看到以为博主的专栏，感觉写得不错，学习了一下，里面很多知识都没有看懂，先记录下来。

1、推荐系统召回四模型之：全能的FM模型——https://zhuanlan.zhihu.com/p/58160982

       总结下来大概就是：

       目前的推荐系统分为“召回”和“排序”这两部分，之前我们常用的协同过滤和基于内容的推荐多是用在“召回”阶段，这个阶段主要是产生一个粗粒度的推荐结果，后续需要再对结果进行排序。

        也就是说，“召回”阶段使用的就是我们常见的一些经典的推荐算法，同时，由于这个阶段的数据量比较大，所以一般使用相对简单的模型。

        “排序”阶段通常使用的就是一些机器学习里面的分类和回归模型，按作者提到的一个路线，最基础的是LR模型，这个相对更简单，上线使用更方便（因为没实践过，所以也不是太理解），现在仍然有很多工业的推荐系统使用的该模型来排序，其次是可以跟LR一起使用的GBDT模型，最后，相对比较新的有FM和DNN模型。按作者的想法，推荐排序模型使用的一个尝试路线是FM-->DeepFM，或者LR—>FM-->DeepFM—>干点其他的。

2、从0到1一个推荐系统的搭建

        推荐系统初探——https://cloud.tencent.com/developer/article/1174869

        推荐系统从0到1[一]:数据与画像——https://cloud.tencent.com/developer/article/1174890

        推荐系统从0到1[二]:个性化召回——https://cloud.tencent.com/developer/article/1174893

        推荐系统从0到1[三]:排序模型——https://cloud.tencent.com/developer/article/1174897

        总结：这是一个新闻推荐系统的搭建，是一个针对内容推荐相对比较全的流程。