目前工业界常用的推荐系统模型有哪些？ 第1页

做过一段时间推荐，简单的总结一下吧，实际上上面也有人总结的很好了，我的就当补充吧。

1. 召回层：召回解决的是从海量候选item中召回千级别的item问题
1. 策略规则类：热度召回、LBS、历史行为重定向（买了又买、点了没买）、基于标签召回、业务特有的其他规则
2. 模型类：模型类的模式是将用户和item分别映射到一个向量空间，然后用向量召回，这类有itemcf，usercf，embedding（word2vec），Graph embedding（node2vec等），DNN（如DSSM双塔召回，YouTubeDNN等），RNN（预测下一个点击的item得到用户emb和item emb）；向量检索可以用Annoy（基于LSH），Faiss（基于矢量量化）。此外还见过用逻辑回归搞个预估模型，把权重大的交叉特征拿出来构建索引做召回
3. 粗排层：本质上跟精排类似，只是特征和模型复杂度上会精简，此外也有将精排模型通过蒸馏得到简化版模型来做粗排
4. 精排层：精排解决的是从千级别item到几十这个级别的问题
1. 预估：lr，gbdt，fm及其变种（fm是一个工程团队不太强又对算法精度有一定要求时比较好的选择），widedeep，deepfm，NCF各种交叉，DIN，BERT，RNN
2. 多目标：MOE，MMOE，MTL（多任务学习）
3. 打分公式融合: 随机搜索，CEM（性价比比较高的方法），在线贝叶斯优化（高斯过程），带模型CEM，强化等
5. 重排层：重排层解决的是展示列表总体最优，模型有 MMR，DPP，RNN系列（参考阿里的globalrerank系列）
6. 展示层：
1. 推荐理由：统计规则、行为规则、抽取式（一般从评论和内容中抽取）、生成式；排序可以用汤普森采样（简单有效），融合到精排模型排等等
2. 首图优选：CNN抽特征，汤普森采样
7. 探索与利用：随机策略（简单有效），汤普森采样，bandit，强化等
8. 产品层：交互式推荐、分tab、多种类型物料融合

相关专栏文章：

1、tracholar：推荐系统一：召回

【广告】：美团首页推荐团队长期招聘算法工程师，感兴趣的私信我，或加我微信zuoyuan_ustc详细聊。现在也招22届实习生。

1. 召回策略：
1. 统计类，热度，LBS；
2. 协同过滤类，UserCF、ItemCF；
3. U2T2I，如基于user tag召回；
4. I2I类，如Embedding（Word2Vec、FastText），GraphEmbedding（Node2Vec、DeepWalk、EGES）；
5. U2I类，如DSSM、YouTube DNN、Sentence Bert；
2. 排序策略，learning to rank 流程三大模式（pointwise、pairwise、listwise），主要是特征工程和CTR模型预估；
1. 常见的特征挖掘（user、item、context，以及相互交叉）；
2. CTR预估，如LR、GBDT、FM、FFM、DNN、Wide&Deep、DCN、DeepFM、DIN、DFN；
3. 探索与发现（bandit、Q-Learning、DQN）；
4. 推荐理由：
1. 统计式，如：全城热搜、区域热搜；
2. 行为，如：看过、买过、看了又看、搜了又搜；
3. 推荐语生成（抽取式，生成式）；

【广告】：美团平台搜索团队长期招聘算法/工程岗，感兴趣的私信我，或加我微信haibo_bj_2013详细聊