深度学习在推荐系统中的应用

模型	基本原理	具体细节	优缺点
AutoRec 单隐层神经网络	将协同过滤中的共线矩阵的每一列（商品的初始向量），通过单隐层神经网络，完成商品向量的自编码，即商品向量的embedding （但是并没有实现降维度） 再利用自编码的结果得到用户对于物品的预估评分，进而进行推荐排序	AutoRec 模型结构 输入 共线矩阵中的商品向量（列） 输出 商品的自编码（可以认为是泛化后的商品embedding） 模型 三层神经网络（输入层-单隐层-输出层） 损失函数 自编码向量和原始输入向量的平方残差 基于自编吗进行推荐	优点: 单隐层网络（一共三层网络）结构简单，使得模型有一定的泛化能力。可实现快速训练和部署 缺点： 表达能力差
Deep Crosssing	利用“Embedding 层 + 多FC层 + 输出层” 的经典深度学习框架， 预完成特征的自动深度交叉	应用场景 搜索广告推荐场景。用户在搜索引擎中输入搜索词后，引擎除了返回相关结果， 还会返回和搜索词相关的广告。deep crossing 目标是增加用户对搜索广告的点击率 预测目标 用户是否会点击搜索广告 特征 类别型特征 （用embedding层来实现稀疏特征稠密化） 数值型特征 需要进一步处理的特征（广告计划，点击样例等） 模型结构 Embedding 层：使得稀疏的类别型特征稠密化 （数值型特征不需要经过Embedding层） Stacking 层：把不同的Embedding特征和数值型特征拼接在一起，形成新的包含全部特征的特征向量 Multiple Residual Units 层（多层残差网络）：实现特征自动交叉组合，multiple residual units 有几层，就能实现几阶特征的交叉 Scoring 层：输出层，为了拟合优化目标 （sigmoid）	优点: 经典的深度学习推荐模型框架 缺点： 利用全连接隐层进行特征交叉，针对性不强
NeuralCF	将传统的矩阵分解中用户向量和物体向量的点积操作，换成由神经网络代替的互操作	step 1 求解用户embedding和商品embedding 分解共现矩阵，得到用户Embedding和物品Embedding step 2 预测用户u对商品i的评分 （求解用户u和商品i的相似度） 矩阵分解 将用户u的embedding和物品i的embedding进行内积，得到相似度，即用户u对物品i的评分 NeuralCF 用多层神经网络+输出层，得到用户u和商品i的相似度	优点: 表达能力加强版的矩阵分解模型，让用户向量和物品向量有更充分的交叉，且引入更多非线性特征 缺点： 只使用了用户和物品的id特征，没有引入用户和商品的交互特征。特征维度不够丰富
Wide&Deep	利用Wide部分加强模型的“记忆能力”，利用Deep部分加强模型的“泛化能力”	wide（记忆能力） 规则推荐，用规则类信息直接影响推荐结果 ， 如果点击过A，就推荐B ex: 学习并利用历史数据中feature的共现频率 比如label是：是否安装pandora 数据分析发现：feature1取值：已安装netflix， feture2取值：对pandora印象深刻， 和label 取值 已经安装pandora的共现频率很高 结论： 只要发现用户安装netflix且对pandora有好感，那么用户最终安装pandora的概率很大，可以直接将用户的label定为：安装pandora。feature1和feature2的权重很大。实现类对这组合特征的直接记忆 这列组合特征就不需要进入神经网络，被多层处理，不断和其他特征交叉 deep（泛化能力） 泛化能力：深度发掘数据的潜在模式，发掘稀疏甚至从未出现过的稀有特征和最终label的相关性 目的：使得特征维度特别稀疏的用户，也能得到较稳定平滑的推荐概率 模型 Deep: 输入的是全量特征，特征经过层层FC Wide：已安装应用和曝光应用两类特征，通过交叉积变换完成特征组合。再将组合特征和Deep部分的输出一同参与最后的目标拟合。完成和deep 部分的融合。 Ps: 只有user_installed_app = netflix and impression_app = pandora， 其交叉积才会是1，否则为0 直接到逻辑回归层。简单模型善于记忆用户行为特征中的信息。并根据此类信息直接影响推荐结果	优点: 开创了组合模型的构造方法 缺点： Wide部分需要人工进行特征组合的筛选
Deep&Cross	用Cross网络替代Wide&Deep模型中的Wide部分	优点: 解决了Wide&Deep模型人工组合特征的问题 缺点： Cross网络的复杂度较高
FNN	利用FM的参数来初始化深度神经网络的Embedding层参数	优点: 利用FM初始化参数，加快整个网络的收敛速度 缺点： 模型结构简单。没有针对性的特征交叉层
DeepFM	在Wide&Deep模型的基础上，用FM替代原来的xian	优点: 解决了Wide&Deep模型人工组合特征的问题 缺点： Cross网络的复杂度较高
DIN	在传统深度学习推荐模型的基础上引入注意力机制，并利用用户行为历史物品和目标广告物品的相关性计算注意力得分	优点: 解决了Wide&Deep模型人工组合特征的问题 缺点： Cross网络的复杂度较高
DIEN	优点: 解决了Wide&Deep模型人工组合特征的问题 缺点： Cross网络的复杂度较高