记录一次讲座笔记，讲课的是花椒直播的改机算法架构工程师，王洋；王洋浙大+新加坡南洋理工大学，通信系统专业
推荐系统：帮助用户发现内容，克服信息过载
通过分析用户行为，对用户兴趣建模，预测用户的兴趣
早期，基于热度推荐：热度高的一般质量有保证，但是集中在头部，难以千人千面
召回
基于邻域的协同过滤
基于隐向量的协同过滤
显式反馈常用方法：
隐式反馈常用方法：
n方级别编程nk级别
可解释性差，未用到其他特征，不够全面
基于深度学习的矩阵分解
内积可以用DNN学习
NCF网络 Neural collaborative Filtering
NeuMF
链接地址为：
https://mp.weixin..com/s/ERfIcCJ7ne4OjfRStdR_vw
其他召回模型
排序（精排）
特征工程
直播不同于物品的推荐，直播是连续行为，有实时特征（比如游戏直播，有五杀时情况与平时不同；是否在跳舞等）
训练集的生成
蓝色部分；使用之前数据组成用户画像
排序模型
- LR
- FM/FFM
- GBDT+LR
LR逻辑回归
FM因式分解机
GBDT+LR
GBDT以天的时间级别更新
LR部分实时更新
深度学习排序
Wide&Deep类模型
- DNN
学习特征间的潜在关系（全连接层），有泛化能力
- LR+DNN
多任务学习的模型
业界主流模型之一
可优化的目标包括：点击、观看、送礼、关乎、转发等
宗旨：平衡不同目标的相互影响，做到全局最优（不要出现某个目标特别占主导）
ESMM模型
把样本空间分为三个部分
曝光；点击；转化三个层次
是共享底层卷积的（但是共享部分可能有问题，如多任务相关性比较低）
改进：
MMOE 不同的任务使用不同的底层网络（使用门）减轻不同任务干扰
链接地址为：
https://mp.weixin..com/s/e6Spp7smIEUUExJxHzUOFA
直播内容的理解与识别
把直播中最核心，最精彩的部分挖掘出来推荐给用户
直播实时性特征
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/231201.html原文链接：https://javaforall.net
