本文目录一览：
什么是推荐系统?推荐系统类型、用例和应用
推荐系统是机器学习领域的一类技术，旨在通过分析用户行为、历史记录和偏好，预测并推荐用户可能感兴趣的内容。推荐系统的类型主要包括： 协作过滤：通过分析用户之间的相似性来推荐物品，基于用户在过去的行为，如购买、点击、评分等。 内容过滤：基于物品的属性和特征，如用户的年龄、电影的类型等，推荐与用户偏好相似的物品。
推荐系统的用例非常广泛，包括但不限于电子商务网站上的商品推荐、流媒体服务中的内容推荐、新闻聚合平台的新闻推荐等。 推荐系统的应用有哪些？推荐系统在多个行业中都有应用，如电子商务、媒体与娱乐、个性化银行等。
推荐系统是机器学习领域的一类，旨在通过数据预测、筛选和推荐用户可能感兴趣的内容。这些系统通过分析用户行为、历史记录和偏好，提供个性化的建议，帮助用户在信息过载的情况下找到相关内容。推荐系统的核心在于训练模型，利用收集到的交互数据理解用户和产品之间的关系，从而实现精准推荐。
推荐系统百问百答(21):用户长短期兴趣召回模型SDM
1、模型结构： SDM模型整体结构包含长期兴趣建模、短期兴趣建模以及两者的融合过程。 短期兴趣建模： LSTM层：负责捕获用户的点击序列，形成会话向量，反映用户在当前会话中的行为模式。 多头自注意力层：引入多头自注意力机制，减少无关点击的影响，同时捕捉用户在不同方面的兴趣。
2、SDM模型通过结合用户长期和短期兴趣建模，以解决电商场景中的复杂行为预测问题。模型通过Attention机制捕捉用户在不同时间尺度上的兴趣变化。SDM模型整体结构包含长期和短期用户兴趣的建模以及融合过程。首先，模型定义预测目标是在特定时刻用户与商品的交互可能性。
3、长期行为序列处理：将长期行为序列按特征拆分成子集。转化成embedding后，使用用户embedding计算每个子集中每个embedding的得分。通过上述架构和技术，SDM模型能够有效地从海量items中快速准确地选出用户感兴趣的候选items，提高推荐系统的性能和用户体验。
4、读透SDM、MOBIUS、ComiRec、Deep Retrieval的要点如下：SDM： 核心特点：SDM是一个深度匹配序列模型，专注于用户长短期兴趣的召回。它通过深度学习技术，对用户的历史行为序列进行建模，从而捕捉用户的长期兴趣和短期偏好。
互联网公司中,推荐系统都是怎么开发的?
1、个性化推荐：根据用户的历史行为，推荐给用户想要的内容；和相关推荐不同，相关推荐的前提是，要现有一个内容。前两种推荐都比较容易实现，这里主要说一说个性化推荐（直说整体的架构，至于一些细节，比如推荐算法，我也凉凉）。
2、首先，系统会收集用户的历史行为数据，如浏览记录、购买记录、评分数据等。然后，通过用户建模和物品建模，将这些行为数据转化为用户的兴趣模型和物品的属性模型。最后，推荐算法会根据用户兴趣模型和物品属性模型，计算出用户可能对哪些物品感兴趣，并将这些物品推荐给用户。
3、推荐系统在当前的互联网时代扮演着重要角色，它通过分析用户的兴趣和行为模式，向他们提供个性化的内容或商品推荐。推荐系统的发展经历了从早期的基于数据挖掘技术到现今的基于机器学习技术的转变，其应用范围也从电商网站的“看了又看”、“买了又买”扩展到了新闻聚合、社交媒体等多个领域。
4、数据采集：推荐系统需要收集用户的历史行为数据、兴趣爱好等信息，这些数据可以通过用户访问网站、搜索关键词、购买商品等行为获取。数据预处理：推荐系统需要对采集到的数据进行预处理，包括数据清洗、数据转换、数据归一化等操作，以保证数据的准确性和一致性。
推荐系统中的bias和debias总结
用户偏见 显示反馈数据中的选择偏见：用户在提供显示反馈时可能存在的选择倾向，这会影响模型对用户喜好的准确理解。例如，多值评分数据中可能存在的评分习惯差异。 隐式反馈数据中的顺从偏见：用户在实际行为中可能受到社会压力或环境影响，导致其行为与真实偏好不符。这种顺从偏见会影响推荐系统的准确性。
推荐系统中的bias主要包括选择偏差、一致性偏差、曝光偏差和位置偏差，而debias方法则针对这些偏差进行修正。推荐系统中的bias： 选择偏差：由于数据收集过程中的某些限制或偏好，导致训练数据不能全面反映真实情况，从而影响推荐结果。
隐式反馈数据中的顺从偏见，即用户可能因为社会压力或环境影响而与实际偏好不符。位置偏见，推荐展示位置会影响用户的点击行为，从而产生偏差。暴露偏见，推荐算法的展示策略可能导致热门内容过度曝光，忽视个性化需求。其次，数据与模型之间的关系也存在归纳偏见。
