Recommender System » 推荐系统（一）——推荐系统进阶
2019-06-29 :: 6764 Words推荐系统进阶
除了《机器学习（十六～十七）》提及的ALS和PCA之外，相关的算法还包括：
FM：Factorization Machines
Factorization Machines是Steffen Rendle于2010年提出的算法。
Steffen Rendle，弗赖堡大学博士，现为Google研究员。libFM的作者，被誉为推荐系统的新星。
FM算法实际上是一大类与矩阵分解有关的算法的广义模型。由于没有DL那么吃算力和数据，非常适合搭建baseline之用。
参考文献1是Rendle本人的论文，其中有章节证明了SVD++、PITF、FPMC等算法，都是FM算法的特例。《机器学习（十六）》中提到的ALS算法，也是FM的特例。
参考文献2是国人写的中文说明，相对浅显一些。
参考：
https://www.ismll.uni-hildesheim.de/pub/pdfs/Rendle2010FM.pdf
http://blog.csdn.net/itplus/article/details/40534885
Factorization Machines 学习笔记（一）预测任务
https://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html
深入FFM原理与实践
https://github.com/aksnzhy/xlearn
这是一个集成了FM和FFM等算法的库
https://mp.weixin.qq.com/s/MEjhJycDwssvzXm7DaSp7Q
推荐系统召回模型之全能的FM模型
https://mp.weixin.qq.com/s/zIvzGpHNnm7WRgDmtdFd-w
Factorization Machines因子分解机详解
https://mp.weixin.qq.com/s/SlflfdqSIZGR59ch50DIAA
因子分解机
https://mp.weixin.qq.com/s/qynApDntA9xiGRBQpoIsjQ
FFM：Field-aware Factorization Machines
https://mp.weixin.qq.com/s/Fg9GKw-QLlOskEqX7pl1dA
推荐系统之FM算法原理及实现（附代码）
https://mp.weixin.qq.com/s/wo1K4EpguonjUhRW55jQJw
FM: 推荐算法中的瑞士军刀
PITF
配对互动张量分解（Pairwise Interaction Tensor Factorization）算法，也是最早由Rendle引入推荐系统领域的。
论文：
http://www.wsdm-conference.org/2010/proceedings/docs/p81.pdf
其他
https://mp.weixin.qq.com/s/7yjA3_oCI5nSH4tv04BIhQ
HFT
https://mp.weixin.qq.com/s/gHKOArFzUM9Zn8hEsA-1wQ
FISM
https://mp.weixin.qq.com/s/VymwTuKq86JP2PL4v8LyyQ
POI by Friends
https://mp.weixin.qq.com/s/LnV-Oq3pCCeMk9RRhha-Aw
GLSLIM
https://mp.weixin.qq.com/s/xnJq-aBAZW22tP7RQylKLw
iCD
https://mp.weixin.qq.com/s/-IPwfrBz1dtYDupuGv4IjQ
Ensemble
https://mp.weixin.qq.com/s/SC8kNYvexetmDuxfQvwSDw
CKE
https://mp.weixin.qq.com/s/bu9rSno_WmHHisE3lzYnqg
ConvMF
https://mp.weixin.qq.com/s/opJtn5mPVjnfRwr5UZ4aJg
FTRL原理与工程实践
http://www.cnblogs.com/EE-NovRain/p/3810737.html
各大公司广泛使用的在线学习算法FTRL详解
https://mp.weixin.qq.com/s/ghDTO9cauM87mMvc-8ojYQ
文章推荐系统之基于FTRL模型的在线排序
稀疏性
稀疏性问题的本质数据的不完备。我们研究稀疏性问题的意义就是使得整个推荐系统中的内容不再沉淀在冗余的空间里，而不被利用。目前推荐系统稀疏性问题的方法主要是使用多级关联规则挖掘方法、ICHM算法、或者是矩阵聚类、信任度传播策略。其中 ICHM 算法是针对项目采用了传递关联来解决稀疏性，与之类似的还有UCHM算法，这个是对用户概貌进行聚类。
冷启动
冷启动问题是由于新进用户或者内容尚未建立起内容关联而导致推荐效果差的情况。
目前有两种解决方向：
-
一个是不考虑内容的解决方案，比如说利用随机推荐，当一个新进用户开始使用系统时，给他随机地推荐一些内容，这样子不断地积累此用户概貌，然后慢慢养成，慢慢调教，直到推荐出用户喜欢的内容。除了随机推荐法之外，还有平均值法、众数法、信息熵法等相关解决办法。
-
另一种方案是考虑内容的解决方案，比如说结合机器学习的相关方法或者是统计学上的一些策略模型进行解决。
参考：
https://mp.weixin.qq.com/s/ll2Nx7_1Sg7XfuiH-OQnWA
推荐系统如何冷启动？
https://mp.weixin.qq.com/s/ecAA43az0-6UIEPR_maNAw
推荐系统之冷启动问题
https://mp.weixin.qq.com/s/ycxigg0HbiOTRUBPAWk21Q
推荐系统中的冷启动问题和探索利用问题
https://mp.weixin.qq.com/s/82REVmDV5cfeQP766qOZmw
推荐系统冷启动
https://mp.weixin.qq.com/s/x9uDExR-Un8fAI43TOQ7CA
个性化推荐系统入门指南
https://mp.weixin.qq.com/s/KSW47hbNLaHTw9Ib0wMO8g
图推荐算法在E&E问题上的应用
https://mp.weixin.qq.com/s/deNVCJkFQnwzGHhVSB4_fA
推荐系统之FM与MF傻傻分不清楚
https://mp.weixin.qq.com/s/zm1_RC5F7Ie4YLpm09-AFw
浅谈冷启动：从无到有的那种
https://mp.weixin.qq.com/s/xUBK-x4TiTzJaOilWXIbQw
如何解决深度推荐系统中的Embedding冷启动问题？
https://mp.weixin.qq.com/s/f2n9QtVABe6x7f9W_MXlAg
当推荐遇到冷启动
负采样策略 & 非采样策略
推荐系统中经常用到的数据是隐式反馈数据（Implicit Feedback Data），如浏览历史，点击日志等。这些数据往往只有正反馈而没有负反馈，并且数据是高度稀疏的（相比于用户点击过的产品，没有被点击过的产品的数量非常多）。在推荐系统中使用隐式反馈数据，有两种常见的学习方法：
-
负采样策略：从所有用户未标记的样例中抽取一部分作为负例。
-
非采样策略：将所有用户未标记的样例作为负例。
参考：
https://mp.weixin.qq.com/s/OGLJx-1tGYYuLWFricfRKg
浅谈个性化推荐系统中的非采样学习
参考
https://mp.weixin.qq.com/s/TWEMQL07n7jMJoYecUojww
推荐系统：石器与青铜时代
https://zhuanlan.zhihu.com/p/95350982
推荐算法三视角:矩阵，图，时间线
https://mp.weixin.qq.com/s/q9FU19Hpw2eWLLhsY5lYJQ
parameter-free contextual bandits
https://mp.weixin.qq.com/s/T-yCjebTzc_t6D4o5gyQLQ
Collaborative Metric Learning
https://mp.weixin.qq.com/s/9xxLU51eqhc6C81jzHQijQ
简述推荐系统中的矩阵分解
https://mp.weixin.qq.com/s/qmkMJJkMqumbtynM4cLatw
计算广告CTR预估系列
https://zhuanlan.zhihu.com/p/38117606
早期购买行为的分析和预测建模
https://mp.weixin.qq.com/s/nQAqEZW_TJSsbVp-kVcKGA
简谈马尔可夫模型在个性化推荐中的应用
https://mp.weixin.qq.com/s/Zalby_gZsxzrmBq6ZePsiQ
短视频如何做到千人千面？FM+GBM排序模型深度解析
https://mp.weixin.qq.com/s/hkXyqe6tDdgNuLgk3e90JQ
如何发现品牌潜客？目标人群优选算法模型及实践解析
https://mp.weixin.qq.com/s/jCXfu6AHFWnQL118r38Zpw
全球顶级算法赛事Top5选手，跟你聊聊推荐系统领域的“战斗机”
https://mp.weixin.qq.com/s/rzCqz2HasT5zxBQjHy13Tw
前深度学习时代CTR预估模型的演化之路：从LR到FFM
https://mp.weixin.qq.com/s/Sc6VR–Qzk1BpS638SpS9Q
盘点前深度学习时代阿里、谷歌、Facebook的CTR预估模型
https://mp.weixin.qq.com/s/iEMGS1tbNPYXYIM7pKkq4A
达观数据：计算广告系统算法与架构综述
https://mp.weixin.qq.com/s/R6-y-W0CGhlEUPXDkYdtJw
Item-Based协同过滤算法
https://mp.weixin.qq.com/s/C5cokipqnSsgg53chbi3oA
我是怎么走上推荐系统这条（不归）路的……
https://mp.weixin.qq.com/s/RA6Elm6C4gnlg0wIOnvlug
一步步构建推荐系统
https://mp.weixin.qq.com/s/WV0igXcxFuTNKU5MvZrl0Q
再谈亚马逊Item-based推荐系统
https://mp.weixin.qq.com/s/mXE3f2ZO6wQRSURZGmyBpQ
产品聚类
https://mp.weixin.qq.com/s/lvbXtLfa6Z4h_5lCHKn_6A
CTR点击率预估之经典模型回顾
https://mp.weixin.qq.com/s/GowWRaE5mZoPVAPK6_AkrA
如何构建可解释的推荐系统？
https://mp.weixin.qq.com/s/7QrSSEiLjmGjNhFfU6ue0A
推荐系统产品与算法概述
https://mp.weixin.qq.com/s/49o_AobVNs_9Lgm4qbQcPA
一文全面了解基于内容的推荐算法
https://mp.weixin.qq.com/s/uxi0OTxjmn047fE8nbYplw
推荐系统：石器与青铜时代
https://zhuanlan.zhihu.com/p/74978160
揭开Top-N经典算法SLIM和FISM之谜
https://mp.weixin.qq.com/s/S9-GgQTlx2c14mN_3kNQiQ
基于标签的实时短视频推荐系统
https://mp.weixin.qq.com/s/_zSe_Ia4DPrFKqsqW3iQ8w
电商推荐那点事
https://mp.weixin.qq.com/s/frEjB8SznDzJxOL3bkHnYw
矩阵分解推荐算法
http://www.infoq.com/cn/articles/we-are-bringing-learning-to-rank-to-elasticsearch
在Elasticsearch中应用机器学习排序LTR
https://mp.weixin.qq.com/s/IrpIMNxQ4frgBKl5pbsfdg
达观数据：用好学习排序(LTR),资讯信息流推荐效果翻倍
https://mp.weixin.qq.com/s/8vdl8QOJNTP6Wekm4LR3mA
LTR那点事—AUC及其与线上点击率的关联详解
https://mp.weixin.qq.com/s/MtnHYmPVoDAid9SNHnlzUw
阿里妈妈首次公开自研CTR预估核心算法MLR
https://mp.weixin.qq.com/s/G5a0YK39RZzgce_szbwoTA
你点一次广告，会创造多少价值？
https://mp.weixin.qq.com/s/zXABOzbQRV7sfgAhr_WqZw
跨领域推荐系统文献综述（上）
https://mp.weixin.qq.com/s/OxUCIhoIED_Z1Cf91Va36g
跨领域推荐系统文献综述（下）
https://mp.weixin.qq.com/s/PwIDOeC-wPshZkGet1pE2w
基于朴素ML思想的协同过滤推荐算法
https://mp.weixin.qq.com/s/lScxlqHARGYbs1eD3ZuEAQ
推荐系统-大规模信息网络Embedding表征学习
https://blog.csdn.net/yz930618/article/details/84862751
《基于行列式点过程的推荐多样性提升算法》原理详解
https://mp.weixin.qq.com/s/NJIEqlW4oKfEon3YXc1U6g
混合推荐系统介绍
https://mp.weixin.qq.com/s/TMxvs4TXyNo8FojbgO3K3w
推荐多样性重排算法之MMR
https://zhuanlan.zhihu.com/p/67287992
推荐系统研究中常用的评价指标
https://mp.weixin.qq.com/s/wIMVTZPOc4iGVRrnimbZhg
推荐系统从入门到接着入门
https://mp.weixin.qq.com/s/Ppvz4KkzWkMy6jXfbv6VqA
推荐系统之矩阵分解家族
https://mp.weixin.qq.com/s/eIldlMXri3WbyTzc3HeXsA
个性化搜索的介绍，推荐和搜索的强强结合
https://mp.weixin.qq.com/s/urGCBjJegKwIqkcCBelptA
深入理解推荐系统：召回
https://mp.weixin.qq.com/s/lx-3T5J8R29MT5jfeuTmVg
深入理解推荐系统：排序
https://mp.weixin.qq.com/s/YmCv9ZPGrOtc9EmlDI1Wsg
深入理解推荐系统：Fairness、Bias和Debias
https://mp.weixin.qq.com/s/sY_EFq7XF1ab2_0nv19XTg
KDD Cup 2020推荐系统赛道—数据分析
https://mp.weixin.qq.com/s/ZieyCARzUGqa_7ME57WGtA
用机器学习来提升你的用户增长：第一步，了解你的目标
https://mp.weixin.qq.com/s/B7BV0mp-kfmyFZIf77mg2g
Netflix推荐算法，让每个人看到不一样的电影海报
https://mp.weixin.qq.com/s/S5_7wQynrBR0yLtNRKC-kw
多模型融合推荐算法在达观数据的运用
https://mp.weixin.qq.com/s/2Fu3s1Hy6ZW8Ex8yLPDnyQ
提速100倍，秒杀传统A/B测试！Netflix推出交错测试个性化推荐算法
您的打赏，是对我的鼓励
