推荐系统概况：传统CTR 深度学习CTR GraphEmbedding 多任务学习 包括：思想、优缺点、网络结构、公式、代码实现等方面

推荐系统概况：传统CTR、深度学习CTR、Graph Embedding、多任务学习

包括：思想、优缺点、网络结构、公式、代码实现等方面

传统CTR

深度学习CTR

Graph Embedding

多任务学习

总结一下推荐系统使用的技术：

1. Embedding 把稀疏特征稠密化，从而可以让下层网络融合更多的特征
2. Matrix Factorization 通过矩阵分解技术加入隐向量，从而提高向量的表达能力
3. Factoriation Machine 通过隐向量特征的交叉从而提高泛化能力
4. Multilayer Perceptrons 通过多层感知机，加入类似Attention、GRU、向量操作（拼接、内积、外积）、向量交叉等各种技术提高模型的泛化、记忆能力

回头再看看推荐系统的发展历程：

1. 从CF到MF
2. 然后发展到FM、FFM
3. 接着发展到MLP、Graph Embedding
4. 然后多目学习

当然，这里面可能有些是交替发展的。

我觉得推动推荐系统发展因素有：

1. 日益规模庞大的电商类等系统带来的数据量爆发式增长，大数据技术的使用
2. 微博、新闻、短视频等传播类爆发式增长，产品的个性化强、兴趣变换快
3. 硬件技术GPU、TPU带来计算能力加强
4. 业务需求越来越复杂，评价要求增多：CTR、CVR、阅读时长、多样性、惊喜度...
5. 借鉴CV、NLP领域发展的部分技术成果， 例如：Word2vec, CNN、GRU、Attention、 Graph Embedding
6. 无数学术界研究者的刻苦钻研，工业界工程师的对推荐系统的算法创新和实践

参考

1. 《深度学习推荐系统》王喆
2. 各个算法的论文

来源：oschina

链接：https://my.oschina.net/u/270991/blog/4441890