产品形态

Feed

策略召回：
- 热门：热门新闻，热门商家
- 附近：附近发生的新闻，附近商家
- 好友推荐：好友点赞/看过的
基于内容：
- 利用文本和图片等特征计算item相似度，然后推荐跟用户交互过的item相似的item。也是item2item的一种
协同过滤（CF）：基于行为共现关系
- UserCF：lookalike?
- ItemCF：(item2item)
  - 共现矩阵计算相似，基本不用了
  - 构造item共现矩阵，矩阵分解得到item向量(ALS算法)，取最近邻(近似最近邻Annoy，Faiss)
  - item2vec，构造共现序列（一般用session或者订单）利用word2vec，学出item向量，取最近邻
  - GraphEmbedding：node2vec，randomwalk。构造session图或者语义图，利用随机游走采样序列，变成item2vec问题
U2I
- 构造user-item共现矩阵，矩阵分解得到item向量(ALS算法)，取最近邻(近似最近邻Annoy，Faiss)
- YouTube DNN，将用户向量用一个DNN来建模，监督信号使用点击/下单
- DSSM，用户向量和item向量都用DNN建模，但是item不使用实时特征。监督信号使用点击/下单
- RNN，将用户表示成点击的item序列，预测下一个点击item

离散LR，可以使用大规模离散id特征，提高模型容量和个性化。缺点是需要大量特征工程：人工交叉特征，或者用GBDT来交叉特征。曾经线上的主力模型，现在也做粗排模型用
GBDT，统计特征居多，难以处理大规模离散特征。也是较好的baseline，缺点是跟DNN这套体系不太相容，随着数据量增大，模型容量容易接近天花板
wide & deep，实际上就是离散DNN + LR，这里特意强调离散DNN，指的是利用embedding来扩充模型容量的DNN。解决了单独LR的特征工程问题。当前的新基线模型，也是线上主力
其他改进：DeepFM、DCN、DIN(加了Attention)，DIEN（加了RNN对行为序列建模）。这些改进常常取决于数据和问题场景，有些有效果，有些不见得有效果。理论上有效果，实际也不一定有效果。需要一个个去试，权衡成本跟收益
TDM：将召回和排序联合训练，目前只有阿里在用

多任务学习：
- 共享一些底层embedding和层。知乎、微博
- 给预测目标增加额外约束。美团，阿里
- MMOE：除了共享底层表达，在中间的变换层用多个子网络来做，避免任务间的负迁移，然后用Attention融合子网络的结果，做到不同建模目标侧重不同的子网络
多目标融合：多个目标融合的权重调参，优化目标是多个「商业目标」。目标表优化问题，找到帕累托最优
- 离线近似调参+线上AB测试
- CEM：当做黑盒优化问题，用CEM在线调参
- 贝叶斯优化：当做黑和优化问题，用贝叶斯优化在线调参

重排：主要解决排序只考虑单个item，而实际上是给出一个item列表，使得整个列表的收益最大化。一个极端的例子是，排在前面的都是用户喜欢的，但是基本上一模一样。
- 规则：通过启发式规则，限制一定范围内的item的相似度；强查etc
- DPP：行列式点过程建模相似item的互斥关系，YouTube有落地
- RNN：阿里有尝试，将上下文item的特征都加进去，将重排建模成一个Decoder问题
机制：某些场景下的推荐并不是重排问题，比如滴滴打车的用户司机匹配（如果看做推荐的话），这类问题一般可以建模成一个待约束的组合优化问题
- 数学优化求解
- 强化学习暴利求解