max 點擊 工具 行為 個人 evel end title 職業

0 推薦技術 1）協同過濾： （1）基於user的協同過濾：根據歷史日誌中用戶年齡，性別，行為，偏好等特征計算user之間的相似度，根據相似user對item的評分推薦item。缺點：新用戶冷啟動問題和數據稀疏不能找到置信的相似用戶進行推薦。 （2）基於item的協同過濾：根據item維度的特征計算item之間的相似度，推薦user偏好item相似的item。 （3）基於社交網絡：根據user社交網絡親密關系，推薦親密的user偏好的item。 （4）基於模型：LR模型，user和item等維度特征輸入給模型訓練，label是show：clk，根據預估的pctr進行推薦。DNN模型：見下面。 2）基於內容的過濾：抽取item的有意義描述特征，推薦user偏好item相似度高的item，個人覺得像基於item的過濾。 3）組合推薦：根據具體問題，組合其它幾種技術進行推薦。 1 DNN推薦模型 1）特征工程： 用戶維度：用戶id，性別，年齡和職業。 電影維度：電影id，類型和名稱。 2）模型設計： user和item維度特征embedding，各自的全連接網絡結構，最頂層是兩個維度網絡結構的cosin距離代表相似度。所以為user推薦相似度高的item。 （1） user維度的網絡結構，分別將四個特征embedding，並輸入全連接層；再將四個全連接輸入到全連接層，並定義激活函數為tanh（代碼為paddle開源工具）。

（2）item維度網絡結構，同user維度一樣，分別將三個特征embedding後輸入全連接層，再相加輸入全連接層（註意title用了cnn）。 （3）最頂層將user和item連接，cosin距離代表了user和item的相似度，並且損失函數為mse。

2 youtube推薦模型 1）大規模推薦的系統由於數據量太大，不能直接進行全連接的排序，所以一般大致分為兩個階段：百萬級到百級的觸發過濾出一部分，再進行細致排序截斷階段。 2）百萬級到百級的觸發過濾，模型采用MLP，訓練時softmax做多分類，預測時計算與所有視頻的相似度，取top K個視頻。我認為label可以是show:clk，類似於LR進行模型推薦。 3）排序截斷階段：網絡結構與觸發階段一樣，只是最頂層是LR，做排序；特征工程方面可以更細致，比如視頻ID，上次點擊時間等等。 參考：https://github.com/PaddlePaddle/book/tree/develop/05.recommender_system

DNN個性化推薦模型