推荐系统论文阅读(三十五)-亚马逊:多样性互补商品的召回算法
1、C1：互补关系不是对称的，并且互补推荐不仅仅基于相似性度量。例如，网球拍和头带在文字或图像特征上根本不相似。而且，SD卡可以是相机的补充产品，但不能相反。这些事实排除了大多数基于相似性的方法，并需要使用不同的机制来建立互补关系的模型。C2：互补推荐需要考虑多样性。
2、如果单纯为了提高多样性指标而做多样性，反而会导致最终结果与业务目标偏离，使推荐的质量下降。 综上所述，我们在58部落推荐系统的多样性实践中，排除了单纯使用多样性指标作为评估算法好坏的方法。
3、本论文通过将用户项交互（更具体地说是二分图结构）集成到embedding过程中，开发了一个新的推荐框架神经图协同过滤（NGCF），该框架通过在其上传播embedding来利用user-item图结构。这种方法在用户项目图中进行高阶连通性的表达建模，从而以显式方式将协作信号有效地注入到embedding过程中。
【理解推荐系统】从推荐产品角度的一点理解与思考
对需求场景进行准确、深入的分析至关重要，需要推荐产品和业务产品的共同交流达成一致。通过场景分析，推荐产品能够正确地预估接入推荐的必要性和重要性，从而对需求进行合理排序；还使结合场景对推荐策略进行调整，优化推荐效果和用户体验。
推荐系统就是把“正确”的内容推送到“正确”的人上。具体是指在特定“场景”下，将“信息”（包括图片、视频等内容）根据“人的兴趣”（兴趣在一点可以通过这个人的在页面上的点击习惯、页面浏览的时长、点赞、收藏等用户的行为数据）推送给到人。
从电商平台的角度来讲，个性化推荐技术可以让每一个流量得到更加充分的利用，最大限度的提高流量效率。我们必须承认，无线技术以及智能手机的发展，让个性化推荐技术变得更加容易实现。
推荐系统论文阅读(二十)-阿里妈妈基于用户长序列历史行为的推荐SIM
1、在介绍这篇论文之前建议先去看一下阿里的另一篇论文MIMN，也是基于用户长序列进行CTR预估的论文，但是MIMN存在着几个问题，一个是因为，当用户行为序列的长度进一步增加(例如，增加10倍或比十倍更多)时，MIMN无法精确捕获给定特定候选项的用户兴趣。
2、论文题目：《Session-based Recommendation with Graph Neural Networks》SR-GNN github： https：//github.com/CRIPAC-DIG/SR-GNN 基于会话的推荐一般是将序列会话建模，将整个session进行编码，变成一个隐向量，然后利用这个隐向量进行下一个点击预测。
3、推荐系统的核心内容就是根据用户以前的购买和点击行为来评估用户对一个物品的喜爱程度，从而针对每个用户进行个性化推荐。协同过滤算法认为历史行为相似的用户之间的兴趣是相同的，所以给用户推荐的是同类型用户的爱好，也就是UserCF，而ItemCF给用户推荐的是跟历史行为相近的物品。
4、C1：互补关系不是对称的，并且互补推荐不仅仅基于相似性度量。例如，网球拍和头带在文字或图像特征上根本不相似。而且，SD卡可以是相机的补充产品，但不能相反。这些事实排除了大多数基于相似性的方法，并需要使用不同的机制来建立互补关系的模型。C2：互补推荐需要考虑多样性。
推荐系统的召回
在深度学习推荐系统的探索中，DeepFM模型与DSSM模型各展所长，以高效预测用户点击行为为己任。DeepFM模型，如同一场精妙的融合，将FM（Factorization Machines）的低阶特征处理与DNN（Deep Neural Networks）的高阶非线性捕捉合二为一。
很高。召回率，可以理解为找到的数目与总的需要找到的数目的比，推荐系统是一项工程技术解决方案，召回率0.7很高，表示的是样本中的正例有多少被预测正确了。
所谓召回，在刚接触推荐系统的时候可能只看字面意思无法理解召回的意思，召回可以理解为向用户粗选一批待推荐的商品，相当于 粗排序 。
准确率=45/75=60%召回率=45/50=90%若将所有文档都检索到，这些指标有何变化：准确率=50/500=10%召回率=50/50=100%可见，准确率和召回率是相互影响的，理想情况下肯定是两者都高，但是一般情况下准确率高，召回率就低；召回率高，准确率就低；如果两者都低，那肯定是什么环节有问题了。
网站在提供推荐服务时，一般是给用户一个个性化的推荐列表，这种推荐叫做TopN推荐，TopN推荐的预测准确率一般通过召回率和精确率来度量。
