推薦系統技術,總體而言,與NLP和圖像領域比,發展速度不算太快。不過最近兩年,由於深度學習等一些新技術的引入,總體還是表現出了一些比較明顯的技術發展趨勢。這篇文章試圖從推薦系統幾個環節,以及不同的技術角度,來對目前推薦技術的比較彰顯的技術趨勢做個歸納。個人判斷較多,偏頗難免,所以還請謹慎參考。
在寫技術趨勢前,照例還是對推薦系統的宏觀架構做個簡單說明,以免讀者迷失在技術細節中。
實際的工業推薦系統,如果粗分的化,經常講的有兩個階段。首先是召回,主要根據用戶部分特徵,從海量的物品庫裏,快速找回一小部分用戶潛在感興趣的物品,然後交給排序環節,排序環節可以融入較多特徵,使用複雜模型,來精準地做個性化推薦。召回強調快,排序強調準。當然,這是傳統角度看推薦這個事情。
但是,如果我們更細緻地看實用的推薦系統,一般會有四個環節,如下圖所示:
四個環節分別是:召回、粗排、精排和重排。召回目的如上所述;有時候因爲每個用戶召回環節返回的物品數量還