推荐系统常用知识点

1:常见的推荐系统分为两类
FM系列：因子分解剂系列 xdeepfm等
因子分解剂到最后都是分类问题，二分类问题。例如：广告预估中的是否点击问题。

CF系列：协同过滤系列 BPR ，一般的general_recommender都是协同过滤系列。

2:常见的深度学习模型
RNN：recursive neural network
循环递归神经网络（Recurrent Neural Network, RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络

CNN：convolutional neural network
卷积神经网络（convolutional neural network, CNN），是一种专门用来处理具有类似网格结构的数据的神经网络。卷积网络是指那些至少在网络的一层中使用卷积运算来替代一般的矩阵乘法运算的神经网络。

DNN:深度神经网络
DNN是一种最简单的神经网络。各个神经元分别属于不同的层，每个神经元和前一层的所有神经元相连接，信号从输入层向输出层单向传播。

MLP:多层感知器（MLP，Multilayer Perceptron）是一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上。

推荐系统中的标签分为三种：整型，浮点型，序列型（多标签型）

模型参数更新三剑客：
1:将上一步参数归零

2:将loss反向传播

3:更新参数

冷启动如何解决：
1:推荐热门商品
2:根据商业逻辑规则推荐，例如店铺的商品打折
3:算法解决，小样本算法。

学习算法的思路
训练过程
1:构建样本，注意任务是什么（分类0-1标签，回归，排序）
2:把数据用向量表征一下，比如：用户表征成64维的随机向量，商品表征成64位的随机向量。
3:将表征后的数据放在模型里面，抽特征。
4:抽完特征，将特征放在一个分类器中计算损失。
5:损失算出来后，误差反向传播，更新参数。

KNN：

K-Means：

AI发展到现在一共有三大特征抽取工具：
1:CNN系列，卷积神经网络-GNN图卷机神经神经网络
2:RNN系列，循环递归神经网络 LSTM,GRU
3:Transformer 系列，Bert ,GPT