序列召回基础

1. 推荐系统中的召回

召回算法的核心特点如下：
$\bullet$ 算法结构简单
$\bullet$ 计算效率高
$\bullet$ 准确率不需要太高
$\bullet$ 每一种召回算法都会针对性解决某一类问题

1.1 基于协同过滤的召回算法

在基于统计的协同过滤中，一般按照视角分为两种协同过滤模型:
$\bullet$ 基于User的协同过滤
$\bullet$ 基于Item的协同过滤

基于Item的协同过滤会推荐用户喜欢的Item的相似Item

1.2 基于向量的召回算法

主要可以分为以下流派：
$\bullet$ I2I：计算item-item相似度，用于相似推荐、相关推荐、关联推荐
$\bullet$ U2I：基于矩阵分解，直接给用户推荐item
$\bullet$ U2U2I：基于用户的协同过滤，先找相似用户，再推荐相似$\bullet$ 用户喜欢的item
$\bullet$ 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
$\bullet$ 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。

基于I2I的召回算法大致有如下两个流派：
$\bullet$ Item-Item相似度可以通过内容理解来生产Item向量，通过向量相似度来度量
$\bullet$ Item-Item相似度可以通过图表示学习/GNN来生产Item向量，通过向量相似度来度量

基于U2I的召回算法大致有如下两个流派：
$\bullet$ 输入User特征和Item特征，直接对齐User与Item的向量表征
$\bullet$ 通过User的历史序列提取User的向量表征，然后和Item的表征对齐

核心：
$\bullet$ 序列信息的利用以及系列特征的提取
$\bullet$ 如何通过序列构建User的向量表征

1.3 基于GRU的序列召回

Embedding层可以认为是一张表，他内部存储的是每一个Item ID到其向量表征的映射，例如：我有10个Item，我想对每个Item表征成一个4维的向量，那么我们可以有如下的Embedding层:

emb_layer = nn.Embedding(10,4)

感想

推荐算法的分类和流派是真的多啊