本文是对七月在线推荐课程-搜索和推荐的matching技术-召回的一个随堂笔记，课上实际主要围绕youtube的dnn 推荐架构来讲解了召回的流程，如何理解embedding和FM的公示推导，以及deepfm的框架和实现。?
召回系统架构? ：
曝光去重： 1） 疲劳度过滤（类似重复长期不点击的类别过滤掉）?
? 2） 最近已看过的东西的过滤
? 3） 业务的过滤
召回索引? 、流式计算? 的简单介绍；?
Youtube 召回
- 线下模型训练阶段, 三层 ReLU 神经网络之后接到 softmax 层, 也就是说在这里作者建模为为用户推荐下一个感兴趣视 频的多分类问题, 输出是在所有候选视频集合上的概率分布
- ? ?线上预测阶段, 考虑到召回的高性能需求首先通过 userId 找 到相应的用户向量, 然后使用 KNN 类方法找到相似度最高 的 N 条候选结果返回 (局部敏感哈希) 【局部敏感哈希，普通的哈希是不保持相对顺序的。局部敏感哈希是一种能保持相对顺序的哈希方法】
? 模型整体的思路可以认为是传统协同过滤思路的扩展. 传统的 UCF 强调相似的用户感兴趣的物品也相似; 传统的 ICF 强调对物品 A 感兴趣的用户, 可能也对物品 A 相似的物品同样 感兴趣. 所以传统的 UCF 和 ICF 实际上是分别构造了用户向量 空间和物品向量空间, 在任何一个向量空间找到相似性都可以进 行推荐.?
而 YoutubeDNN 则学习统一的 (用户 + 物品) 向量空间来代替 原来的两个独立的向量空间, 使用深度网络将用户 + 物品映射到 这个统一的低维向量空间来发现学习更高阶的用户物品相似性.?
什么是embedding ?
从三个角度看：?
- ? ?用户观看过的 video 的 embedding 向量
- ? ?用户搜索词的 embedding 向量以及用户的地理位置年龄等静态特征
- ? ?这里的 embedding 向量作者是用 word2vec 类方法预先生成 的
简单介绍了词的embedding ,word2vec 的大致原理，以cbow为例。 无监督的序列学习转化为“有监督”提了下item2vec 。离线去算好参数，? 在线的时候去调用。?
FM 模型的表达式：?
𝑦 = 𝜎(𝑤 · 𝑥 + 𝑥𝑇 · 𝑊(2) · 𝑥)?
与 LR 不同的是, 这里有了二阶特征组合. 但是对于系数的情况, 我们怎么依然可以优雅的学习到呢??
使用矩阵分解的技巧
𝑊(2) =𝑊𝑇 ·𝑊
𝑦=𝜎(𝑤·𝑥+𝑥𝑇 ·𝑊𝑇·𝑊·𝑥)=𝜎(<𝑤,𝑥>+<𝑊·𝑥,𝑊·𝑥>)
参数由n方，变为nk，其中的k是远小于n的
关键推导：?
?FM 有哪些优势??
? 泛化性能强? embedding 的使用?
Compare FM and MF?
- MF 模型是 FM 模型的特例, MF 可以被认为是只有 User ID 和 Item ID 这两个特征 Fields 的 FM 模型. MF 将这两 类特征通过矩阵分解, 来达到将这两类特征 embedding 化表 达的目的
- ? ?FM 则可以看作是 MF 模型的进一步拓展, 除了 User ID 和 Item ID 这两类特征外, 很多其它类型的特征, 都可以进一步 融入 FM 模型里, 它将所有这些特征转化为 embedding 低 维向量表达, 并计算任意两个特征 embedding 的内积, 就是 特征组合的权重
? FM 继承了 MF 的特征 embedding 化表达这个优点, 同时引 入了更多 Side information (除了id类特征外，如年龄身高等side information信息)作为特征, 将更多特征及 Side information embedding 化融入 FM 模型中. 所以很明显 FM 模型更灵活, 能适应更多场合的应用范围
其他：
围绕deepfm的简单案例代码提了下tensorflow 的学习流程介绍
讲到了分布式学习的一个简单描述； parameter server
estimator的理解。；
基本：?session ，graph? ： variable ,placeholder,constant 的基本概念，optimiizer? : compute gradient；? apply gradient；layer/op : 然后一个tensorflow案例 串起上面
进阶： estimator/ 分布式 的深入 ：? ps ,chief_worker ,master worker ，client? 的理解 ?
高阶：?session /graph 的深入理解? :从c++ 层次去深入理解。 ?
鸣谢与参考：?
七月在线推荐课程。