一、概要

1. 目標(biāo)：將合適的內(nèi)容，在合適的場(chǎng)景，展示給合適的人
2. 量化指標(biāo)：CTR,Click-Through-Rate,點(diǎn)擊通過率
3. 應(yīng)用場(chǎng)景：廣告展示、推薦、搜索結(jié)果排序
   廣告，考慮ECPM指標(biāo)(earning cost per mille)，每1000次曝光帶來(lái)收入，ECPM=1000 x CTR x 點(diǎn)擊出價(jià)。https://36kr.com/p/5150648.html
   商品推薦，需要考慮轉(zhuǎn)化率、商品盈利能力等因素。

二、學(xué)習(xí)目標(biāo)
1.分類問題，1-點(diǎn)擊，0-沒點(diǎn)擊
2.回歸問題，具體的ctr數(shù)值
3.多分類問題，根據(jù)ctr數(shù)值分桶？
業(yè)界使用較多的是？幾種方式的優(yōu)劣？適用場(chǎng)景？

三、特征選取&處理
1.item特征
標(biāo)題、封面圖、品牌、分類、tag等等
2.用戶特征
年齡，性別，過往記錄
3.上下文(場(chǎng)景)特征？

特征處理？跟模型有關(guān)，端到端的就不用處理了？
離散值 vs 連續(xù)值？
高維、稀疏、多Field
特征之間的關(guān)聯(lián)關(guān)系，獨(dú)立 vs 交叉？(例：衣服類型與性別?)
1.稀疏->稠密，特征獨(dú)立->特征與特征之間的關(guān)系
one-hot, embedding

2. 如何實(shí)現(xiàn)Embedding
   矩陣分解（MF）、因子分解機(jī)（FM)、神經(jīng)網(wǎng)絡(luò)

四、預(yù)估模型(損失函數(shù)，優(yōu)化算法)

1. 經(jīng)典機(jī)器學(xué)習(xí)
   *. LR, 一般作為性能的benchmark？ 線性-二階多項(xiàng)式，LR+正則化+特定優(yōu)化方法
   缺點(diǎn)：手工設(shè)計(jì)特征，需對(duì)特征離散化，歸一化，特征離散過程的邊界問題，特征組合。
   *. GBDT + LR
   Gradient Boosting Decision Tree
   能處理連續(xù)值特征？具有一定的特征組合能力，可以對(duì)特征的重要性排序。
   *. MLR,阿里，聚類+LR
2. 神經(jīng)網(wǎng)絡(luò)
   
   image
   
   https://www.jiqizhixin.com/articles/2018-07-22-19
   https://zhuanlan.zhihu.com/p/32689178
   https://zhuanlan.zhihu.com/p/32885978
   https://github.com/nzc/dnn_ctr

其他：
https://juejin.im/entry/5ae19299f265da0b796495c6

五、效果評(píng)估

參考文檔：
https://zhuanlan.zhihu.com/p/32689178
https://zhuanlan.zhihu.com/p/32885978
https://zhuanlan.zhihu.com/p/33045184
https://zhuanlan.zhihu.com/p/33177517
https://zhuanlan.zhihu.com/p/33479030
https://zhuanlan.zhihu.com/p/33540686
https://zhuanlan.zhihu.com/p/33587540
https://zhuanlan.zhihu.com/p/33619389

http://www.itdecent.cn/p/b69080c98a7a
http://www.itdecent.cn/p/2e3dc01a4680
https://cloud.baidu.com/doc/BML/ScenarioTutorial/3F.5C.E5.B9.BF.E5.91.8A.E7.82.B9.E5.87.BB.E7.8E.87.E9.A2.84.E4.BC.B0.html
https://juejin.im/entry/5ae19299f265da0b796495c6
https://blog.csdn.net/DanyHgc/article/details/78776558
https://juejin.im/entry/5ae19299f265da0b796495c6

協(xié)同過濾？Collaborative Filtering https://zh.wikipedia.org/wiki/%E5%8D%94%E5%90%8C%E9%81%8E%E6%BF%BE

參考資料：
推薦系統(tǒng)遇上深度學(xué)習(xí)
1.FM模型理論和實(shí)踐
FM(Factorization Machine) 因子分解機(jī), 嵌入矩陣？
2.FFM模型理論和實(shí)踐
FFM（Field-aware Factorization Machine）
3.DeepFM模型理論和實(shí)踐
4.多值離散特征的embedding解決方案
5.Deep&Cross Network模型理論和實(shí)踐Deep&Cross Network
6.PNN模型理論和實(shí)踐PNN，全稱為Product-based Neural Network，認(rèn)為在embedding輸入到MLP之后學(xué)習(xí)的交叉特征表達(dá)并不充分，提出了一種product layer的思想，既基于乘法的運(yùn)算來(lái)體現(xiàn)體征交叉的DNN網(wǎng)絡(luò)結(jié)構(gòu)。
7.NFM模型理論和實(shí)踐
8.AFM模型理論和實(shí)踐
9.評(píng)價(jià)指標(biāo)AUC原理及實(shí)踐
10.GBDT+LR融合方案實(shí)戰(zhàn)
11.神經(jīng)協(xié)同過濾NCF原理及實(shí)戰(zhàn)
12.推薦系統(tǒng)中的EE問題及基本Bandit算法
13.linUCB方法淺析及實(shí)現(xiàn)
14.《DRN:A Deep Reinforcement Learning Framework for News Recommendation》
15.強(qiáng)化學(xué)習(xí)在京東推薦中的探索
16.解推薦系統(tǒng)中的常用評(píng)測(cè)指標(biāo)
17.探秘阿里之MLR算法淺析及實(shí)現(xiàn)
18.秘阿里之深度興趣網(wǎng)絡(luò)(DIN)淺析及實(shí)現(xiàn)
19.探秘阿里之完整空間多任務(wù)模型ESSM
20.貝葉斯個(gè)性化排序(BPR)算法原理及實(shí)戰(zhàn)
21.階段性回顧
22.DeepFM升級(jí)版XDeepFM模型強(qiáng)勢(shì)來(lái)襲！
23.大一統(tǒng)信息檢索模型IRGAN在推薦領(lǐng)域的應(yīng)用
24.深度興趣進(jìn)化網(wǎng)絡(luò)DIEN原理及實(shí)戰(zhàn)！
25.當(dāng)知識(shí)圖譜遇上個(gè)性化推薦

CTR預(yù)估(二)
LR與GBDT融合方案