《自然語言處理導(dǎo)論》第14章基于深度學(xué)習(xí)的社會(huì)計(jì)算推薦系統(tǒng)的發(fā)展軌跡

1994年：明尼蘇達(dá)大學(xué)GroupLens研究組推出第一個(gè)自動(dòng)化推薦系統(tǒng)GroupLens，該系統(tǒng)提出了將協(xié)同過濾技術(shù)用于內(nèi)容推薦。1997年：Pesnick等人首次提出推薦系統(tǒng)（recommenderssystem）這一概念。從此，推薦系統(tǒng)開始作為一個(gè)獨(dú)立的學(xué)科分類，成為一個(gè)獨(dú)立的研究領(lǐng)域。2003年，亞馬遜發(fā)表論文，公布了基于用品的協(xié)同過濾算法，并推出了電子商務(wù)推薦系統(tǒng)，將推薦系統(tǒng)的研究推向高潮。2005年：Adomavicius等把推薦系統(tǒng)分為基于內(nèi)容的推薦、基于協(xié)同過濾的推薦、和混合推薦三大類別，為后續(xù)的研究奠定了基礎(chǔ)。2006年：北美洲Netflix舉辦比賽，向把電影推薦算法Cinematch的準(zhǔn)確度提高10%以上的參賽選手提供100萬美金的獎(jiǎng)勵(lì)，大大推動(dòng)了算法的革新。2007年：ACM第一屆推薦系統(tǒng)大會(huì)RecSys舉行，為推薦系統(tǒng)在不同領(lǐng)域的最新研究成果、系統(tǒng)和方法提供了一個(gè)交流學(xué)習(xí)的國際平臺(tái)。2016年：YouTube發(fā)表論文，提出將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用至推薦系統(tǒng)。推薦系統(tǒng)的應(yīng)用場景哪里有海量信息，哪里就有推薦系統(tǒng)，我們每天最常用的APP都涉及到推薦功能：資訊類電商類娛樂類推薦系統(tǒng)的整體架構(gòu)數(shù)據(jù)源：推薦算法所依賴的各種數(shù)據(jù)源，包括物品數(shù)據(jù)、用戶數(shù)據(jù)、行為日志、其他可利用的業(yè)務(wù)數(shù)據(jù)、甚至公司外部的數(shù)據(jù)。計(jì)算平臺(tái)：負(fù)責(zé)對(duì)底層的各種異構(gòu)數(shù)據(jù)進(jìn)行清洗、加工，離線計(jì)算和實(shí)時(shí)計(jì)算。數(shù)據(jù)存儲(chǔ)層：存儲(chǔ)計(jì)算平臺(tái)處理后的數(shù)據(jù)，根據(jù)需要可落地到不同的存儲(chǔ)系統(tǒng)中，比如Redis中可以存儲(chǔ)用戶特征和用戶畫像數(shù)據(jù)，ES中可以用來索引物品數(shù)據(jù)，F(xiàn)aiss中可以存儲(chǔ)用戶或者物品的embedding向量等。推薦系統(tǒng)的整體架構(gòu)召回層：各種推薦策略或算法，協(xié)同過濾算法，基于內(nèi)容的召回，基于向量的召回，用于托底的熱門推薦等。用戶過去行為物品特征物品相似性物以類聚：基于內(nèi)容的推薦算法用戶過去行為用戶間關(guān)聯(lián)關(guān)系物品特征物品相似性人以群分-基于用戶的協(xié)同過濾混合推薦：物以類聚、人以群分-基于物品的協(xié)同過濾用戶過去行為用戶間關(guān)聯(lián)關(guān)系物品特征物品相似性

用戶靜態(tài)特征：男女，地域，年齡，教育，etc…推薦系統(tǒng)的整體架構(gòu)特征關(guān)聯(lián)推薦系統(tǒng)的整體架構(gòu)排序?qū)樱豪脵C(jī)器學(xué)習(xí)或者深度學(xué)習(xí)模型，以及更豐富的特征進(jìn)行重排序，篩選出更小、更精準(zhǔn)的推薦集合返回給上層業(yè)務(wù)。融合過濾層：觸發(fā)多路召回：由于召回層的每個(gè)召回源都會(huì)返回一個(gè)候選集，因此這一層需要進(jìn)行融合和過濾。推薦系統(tǒng)的整體架構(gòu)從數(shù)據(jù)存儲(chǔ)層到召回層、再到融合過濾層和排序?qū)樱蜻x集逐