深度学习-推荐系统 第一章研读笔记（1）

深度学习-推荐系统 第一章研读笔记 作者：王喆

开篇：

1. 文章仅作为本人学习王喆先生的《深度学习-推荐系统》的笔记
2. 文章大部分文本内容为书中原话，也有部分为个人理解，想要知道具体内容还请购买书籍自己理解。
3. 除了书中内容外也有自己对一些知识点的调研学习，参考资料附链接，主要是为了方便自己回头复习用所以可能以后会修改补充文章部分内容。
4. 因为文中有个人理解部分，所以理解错误的地方还请指正，希望有同样在读这本书的朋友不吝赐教，作为一个算法新人非常愿意互相交流一起进步；
5. 再次说明，该文章只是自己学习这本书记录用，提意见的欢迎，挑毛病的统一删除评论，不喜勿喷，谢谢！
6. 本文仅作为开篇，具体算法例子写在下一章节，因为都是连贯起来的介绍起来较长因此分开续写

第一章：前深度学习时代-推荐系统的进化之路

1 关于传统推荐系统的演化

传统推荐模型的演化关系图：（该章内容会根据图中模型依次讲解）

2 关于推荐系统的技术架构示意图：

1 对图1-4架构示意图的理解

1. 数据部分：原始数据的出口分为三个方面 1. 1. 生成模型训练所需的特征以及评价模型的特征
   1. 由原始特征根据模型需要生成衍生特征
   2. 生成的衍生特征可以作为统计型数据
2. 离线训练与在线训练的优缺点：
   1. 离线因为可以利用全量的样本和特征可以是模型逼近全局最优点
   2. 在线更新可以准实时的提取新样本的信息，更快反应新数据的变化趋势，满足模型的实时性需求
3. 关于召回层，排序层以及补充策略与算法层：
   1. 召回层也就是粗排，快速从海量数据中找到有用的特征
   2. 排序层则是利用排序模型对初筛的候选集进行精排序
   3. 补充策略与算法层：对排序层后的结果再排序，这是为了兼顾一些指标，比如：多样性，流行度，新鲜度，冷启动等现实存在的问题，之后才会将推荐结果推荐到用户页面。

2 下章节开始介绍最初也是最经典的推荐算法：协同过滤