推荐系统----协同过滤，矩阵分解，逻辑回归，FM,FMM,GBDT+LR,LS-PLM之间的优缺点

协同过滤：

源于1992年直到2003年才被Amazon发表论文使用了

基本原理：

根据用户的行为历史生成用户-物品共现矩阵，利用用户相似性和物品相似性进行推荐

特点：

原理简单，直接，应用广泛

局限性：

泛化能力差，处理稀疏矩阵的能力差，推荐结果的头部效应较为明显

矩阵分解：

源于2006年Netflix举办推荐算法竞赛使推出的

基本原理：

将协同过滤算法中的共现矩阵分解为用户矩阵和物品矩阵，利用用户因向量和物品因向量的内积进行排序并推荐

特点：

相较协同过滤，泛化能力有所加强，对稀疏矩阵的处理能力有所加强。

局限性：

处理用户历史行为数据，难以利用其他用户，物品特征及上下文特征

逻辑回归：

基本原理：

将推荐问题装欢为类似于CTR预估的二分类问题，将用户，物品，上下文等不同特征转换成特征向量，输入逻辑回归模型得到CTR，在按照预估CTR进行排序并推荐。

特点：

能够融合多中类型的不同特征

局限性：

模型不具备特征组合的能力，表达能力较差。

FM：

源于2010年Rendle提出来的

基本原理：

在逻辑回归的基础上，在模型中加入二阶特征交叉部分，为每一维特征训练得到相应特征因向量，通过隐向量间的内积与不算得到交叉特征权重

特点：

相比逻辑回归，具备二阶特征交叉能力，模型的表大能力较强。

局限性：

由于组合爆炸问题的限制，模型不易扩展导三阶特征交叉阶段

FFM：

源于2015年

基本原理：

在FM模型的基础上，加入“特征域”的概念，是每个特征在于不同域的特征交叉时采用不同的隐向量。

特点：

相比FM，进一步加强了特征交叉的能力

局限性：

模型的训练开销达到了O(n2)的量级，训练开销较大

GBDT+LR:

源于2014年Facebook提出来的

基本原理：

利用GBDT进行“自动化”的特征组合，将原始特征向量转换为离散型特征向量，并输入逻辑回归模型，进行最终的CTR预估，

特点：

特征工程模型化，使模型具备了更高阶组合的能力

局限性：

GBDT无法进行完全的并行的训练，更新所需的训练时长较长

LS+PLM:

源于2012年，但是由阿里导2017年才推出的

基本原理：

首先对样本进行”分片“，在每个分片内部构建逻辑回归模型，将每个样本的各分片概率与逻辑回归的得分进行加权平均，得到最终的预估值。

特点：

模型结果类似三层神经网络，具备了较强的表达能力

局限性：

模型结果相比深度学习模型仍比较简单，有进一步提高的空间。