【读书笔记-＞推荐系统】02-07 传统推荐系统模型总结

02-07 传统推荐系统模型总结

基于前面的学习，我们已经了解了很多模型的细节知识，再结合框图可以更好地记忆其发展和区别。

传统推荐模型的演化关系图见【读书笔记-＞推荐系统】02-01 协同过滤

这里书中给了整体的总结。

在对传统的推荐模型进行总结时，读者也要意识到，传统推荐模型与深度学习模型之间存在着千丝万缕的联系。正是对传统模型研究的不断积累，为深度学习模型打下了坚实的理论和实践基础。

例如：

1. 矩阵分解的隐向量的思想 与 Embedding技术
2. FM中特征交叉的思路
3. LS-PLM的结构 与 三层神经网络
4. GBDT自动化处理特征 与 特征工程模块化

另外，Alex Krizhevsky 站在 Geoffrey Hinton Yann LeCun Yoshua Bengio等大师的肩膀上，于 2012 年提出了引爆整个深度学习浪潮的 AlexNet[9] 将深度学习的大幕正式拉开，其应用快速地从图像扩展到语音，再到自然语言处理领域，推荐系统领域也必然紧随其后，投人深度学习的大潮之中。

从 2016 年开始，随着 FNN Wide&Deep Deep Crossing 等一大批优秀的推荐模型架构的提岀，深度学习模型逐渐席卷推荐和广告领域，成为新一代推荐模型当之无愧的主流。书将在第3章继续与读者探讨推荐模型的相关知识，从模型演化的角度，揭开主流深度学习推荐模型之间的关系和技术细节的面纱。