王树森@推荐系统

链接：GitHub - wangshusen/RecommenderSystem

2. 召回 retrieval

• [[ItemCF]]
  • 用户最近感兴趣的物品列表
  • 找到列表中物品最相关的 topk 物品
• [[Swing]] 给用户设置权重，解决小圈子问题
  • 重合度计算方法 #card
    
  • 引入重合度计算两个物品相似度的方法 #card
    
• [[UserCF]]
  • 判断用户相似度的方法 #card
    • 多少喜欢的笔记是重合的
    • 多少关注的作者是重合的
  • 预估用户对物品兴趣的方法 #card
    
• [[Approximate Nearest Neighbor Search]]
• [[双塔模型召回]]
  • [[双塔模型]]
    • [[召回双塔和排序双塔的区别]]
  • [[双塔模型样本选择]]
  • [[双塔模型+自监督学习]]
• [[Deep Retrieval]]
  • 思路 → 把物品表征为路径(path)，线上查找 用户最匹配的路径
  • [[Deep Retrieval 和双塔召回的区别]]
• [[地理位置召回]]
• [[作者召回]]
• [[缓存召回]]
• [[曝光过滤]]

3. 排序 Rank

• [[多目标排序模型]]
• [[为什么需要做校准]]
• [[MMoE]]
  • [[极化现象]]
• [[融合公式]]
  • [[融合公式例子]]
• [[视频播放建模]]
• [[排序模型的特征]]
• [[粗排]]

4. 特征交叉模型

• [[FM]]
• [[深度交叉网络]]
  • [[交叉层]]
  • [[Cross Network]]
• [[DCN]]
• [[DCNv2]]
• [[LHUC]]
• [[SENET]]
• [[Bilinear-Interaction Layer]]

5. [[行为序列建模]]

• [[DIN]]
  • [[DIN 有效原因]]
• [[SIM]]

6. [[推荐系统中的多样性]]

• [[Maximal Marginal Relevance]]
• [[DPP]]
  • [[DPP：数学基础]]

7. [[物品冷启动]]

• 优化全链路（包括召回和排序）
  • [[冷启动召回]]
  • [[Look-Alike人群扩散]]
• [[物品冷启动：流量调控]] 解决 {{c1 流量怎么在新物品、⽼物品中分配 }}
• [[物品冷启动：AB测试]]

8. [[涨指标的方法]]

• [[推荐系统的评价指标]]

网络回响