推荐系统流程

召回：从千百万量级的全量内容中挑选出用户可能感兴趣的几百/几千条内容，主要包括热门内容召回、基于内容的召回、基于用户行为的召回（CF、MF、双塔DSSM、graph embedding）、倒排索引、强化学习(for内容冷启动)等。
粗排/精排：利用模型对召回内容进行打分，取top k进入重排。主要包括LR、特征交叉流派（FM家族）、行为序列流派（DIN、DIEN/DSIN、BST等）、其他流派（pairwise、listwise）。
重排：按照业务策略对内容顺序进一步调整，形成最终的推荐list返回给用户。主要包括listwise、多样性算法（MMR、DPP）、强化学习等。

步骤1：召回

基于内容的召回(Content-based)

抽取内容的semantic features（如电影名称、导演、主演、类别等），对内容进行embedding，向用户推荐semantic embedding相似的内容。
Problem：用户冷启动问题

协同过滤(Collaborative Filtering)

User-CF

计算用户间的相似度（这里的特征向量为用户给不同商品的评分），推荐相似的用户喜欢的item。

Item-CF

计算商品之间的相似度（这里的特征向量为商品被各个用户的评分），推荐相似的item。

MF(Model-CF)

利用matrix factorization对用户-商品矩阵进行分解，从而得到新的用户、商品的特征表示向量，并用这些向量来计算用户/商品之间的相似度，进行推荐。

DSSM双塔模型(Deep Structured Semantic Models)

论文：Sampling-Bias-Corrected Neural Modeling for Large Corpus Item Recommendations

简单讲就是user和item分别用DNN做embedding，最终使用cosine计算相似度进行推荐。在工业界非常常用。

倒排索引召回

倒排索引最初是搜索领域的方法，通过记录包含关键词key的文章document（以及出现的位置、权重等），在用户对关键词进行搜索时，直接通过索引找到对应文章。复杂度由O(n)变为O(1)。
由于实际应用中，使用属性值来查找记录，而非用记录查找值，因此被称为“倒排”。

对于搜索引擎，关键词由用户主动输入；而对于推荐系统，关键词需要系统生成。生成策略包括根据用户画像等进行内容召回、根据热度等进行策略召回。
用户画像示例如下：

多路召回

使用多种召回策略同时召回，再进行加权平均等方式得到最终的召回item。
可以结合上述策略的优点。

粗排

LR(Logistic Regression)

LR 模型是 CTR 预估领域早期最成功的模型.
LR 使用 “线性模型 + 人工特征组合引入非线性” 特征，对item的分数进行预测。
LR 模型具有训练快、上线快、可解释性强、容易上规模等优点，目前仍然有不少实际系统采取这种粗排模式。

树模型

GBDT、XGB、LightGBM、GDBT+LR等。

精排

特征交叉流派

FM实现了二阶特征组合自动化；
接下来引入深度学习，wide&deep、DeepFM、xDeepFM(CIN)、Deep&Cross(Cross)向显式特征组合的方向发展。

tricks:

• 实验证明，二阶特征交叉有效，三阶部分有效，四阶及以上特征交叉基本没有作用。
• 深度学习实现了高阶特征组合自动化，但速度慢、可解释性差。

pairwise&listwise

前面介绍的方法主要是pointwise维度的，即对每个item单独打分。
设query为q，文档为c，预测得分为h(q,c)，实际得分为标签y。pointwise直接最小化h(q,c)和y之间的差距构造损失函数。

这种方法存在以下缺点：

1. pointwise追求的是文章的精确打分，没有考虑到文章之间的关联性，而推荐追求的是相对排序；
2. pointwise为了追求整体loss最小化，导致优化结果被对应文章多的query所支配，而推荐追求每个query处于同等地位；
3. 实际推荐情景中，top k之间的顺序远比末尾若干内容的顺序重要，pointwise的损失函数没有考虑相对位置信息，会无意间过于注重不重要的文章排序。

pairwise
Pairwise通过近似为分类问题解决排序问题。
pairwise通过计算h(q,c1)-h(q,c2) 构造损失函数，标签y表示h(q,c1)-h(q,c2)>0或<0。
输入样本为“标签-文档对”。学习一个二分类器，对输入的一对文档对AB，根据A相关性是否比B好，二分类器给出分类标签1或0。
对所有文档对进行分类，就可以得到一组偏序关系，从而构造文档全集的排序关系。
该类方法通过降低排序中的逆序文档对的个数来降低排序错误，从而达到优化排序结果的目的。

例如：三个文档 A、B 、 C，完美排序是 “B>C>A”。pairwise通过学习 “B>C”、“B>A” 和 “C>A” 来重构 “B>C>A”。

代表算法：基于 SVM 的 Ranking SVM 算法、基于神经网络的 RankNet 算法和基于 Boosting 的 RankBoost 算法。

pairwise存在问题：

1. pairwise使用的两两排序的损失函数还是不能真正代表整体排序的损失函数，甚至可能出现负相关；
2. doc pair的数量是doc的二次，query对应文章数量不平衡的问题被进一步放大；
3. pairwise依然没有考虑文档在整体排序列表的出现顺序，导致排序结果依然受到不重要的文档影响；
4. pairwise会对噪声数据更敏感。如果一个文章对预测错误，与这两个文档相关的排序都将受到影响。

listwise
Listwise方法是直接优化排序列表。
输入为单条样本为一个query和它对应的所有候选item。
计算S= softmax(h(q,c1),h(q,c2)…h(q,cn))，其标签Y=(y1,y2…yn) 表示各候选文档的实际得分排序。最小化S和Y之间的KL散度得到最优排序。

代表算法：AdaRank，SoftRank，LambdaMART、 ListNet、ListMLE、BoltzRank等。

listwise存在问题：

1. 训练复杂度较高；
2. 位置信息在listwise中也没有在loss中得到充分利用，可以在 ListNet 和 ListMLE 的 loss 中考虑引入位置折扣因子。

出于时延考虑，目前大多数推荐系统仍然采用pointwise方法进行精排。

重排

重排作为离用户最近的一个步骤，涉及打散、多样性等过程，需要充分考虑用户体验，避免用户抵触。
打散
对同类目、同作者、相似封面图的item进行打散，可以有效防止用户疲劳和系统过度个性化，同时有利于探索和捕捉用户的潜在兴趣，对用户体验和长期目标都很关键。
多样性
可以从user和item两个角度评估，比如平均每个用户的曝光一二级类目数，曝光item同属一个类目的概率等。可以从类目、作者、标签等多个维度进行数据分析和评价。

此外，由于粗排和精排考虑到时延，主要采用pointwise方法；而重排的量级较小，可以采用pairwise和listwise提升排序的准确性和有效性。