推荐系统的两大主流类型,花钱系统文类型推荐

推荐系统的两大主流类型,花钱系统文类型推荐

图3:推荐系统依赖的4种数据载体2.1 数值类数据所有推荐系统用到的、可以用数值来表示的数据都属于这一类，比如用户年龄、用户评分、物品价格、播放次数等等。数值数据也是计算机如果列举出两个领域重点要考虑的技术问题，大家也能体会到二者的不同( 排名大致分先后): 计算广告：CTR模型，Bidding策略，yield optimization ( 也许可以叫排期优化),智能预算控制

本文介绍几种目前常见的推荐系统的主要思路，后续会针对每个算法结合具体应用场景再具体阐述下。1.协同过滤推荐算法user-CF算法item-CF算法2.基于内容的推荐算法3.社会化推荐推荐系统目前在很多领域都发挥着重要的角色，比如电子商务领域(淘宝，天猫，Amazon等),视频推荐(抖音，快手，B站等),社交网络(腾讯，Facebook,Twitter等),新闻推送(今日头条，网易新闻等)

推荐系统(RS)主要是指应用协同智能(collaborative intelligence)做推荐的技术。推荐系统的两大主流类型是基于内容的推荐系统和协同过滤(Collaborative Filtering)。另外还有基于知识的推荐系统(包导读：本文的主题为阿里飞猪推荐算法探索实践，首先会介绍电商背景下主流推荐技术的发展，例如基于全空间的CVR预估技术的发展历程等( ESMM / ESM^2 / HM^3 );接着会重点结合旅行行业的

当系统积累了一定量的数据或者拿到用户足够多的反馈后，就可以训练机器学习模型了。1.2 推荐算法流程推荐服务的流程主要有3 步：获取用户特征-> (召回) -> 调用推荐模型-> (粗排图2 推荐场景下的Share Bottom Model (2)多目标建模的主流结构——MMoE 针对share bottom 模型结构的缺点，谷歌在2018 提出了Multi-gated Mixture of Expert (MMoE)模型[2],该模型

Wide&Deep: 从深度学习推荐系统的演化图中可以看出Wide&Deep模型处在最中间的位置，可以看出该模型在推荐系统发展中的重要地位，此外该算法模型的思想与实现都比较的简单，非常适合初《哈佛商业评论》对推荐系统曾经发表过一个很实在的观点，说：“推荐系统是“天生数字型”企业与传统公