推荐模型演化：
协同过滤：
UserCF：基于用户相似度
ItemCF：基于物品相似度
相似度计算：Cosine Similarity、皮尔逊相关系数（引入用户平均分，减少了用户评分偏置影响）、还可以引入物品平均分，减少物品评分偏置对结果的影响
UserCF具备强的社交特性，ItemCF适用于兴趣变化比较稳定的应用
矩阵分解：
用户和物品的隐向量是通过分解协同过滤生成的共现矩阵得到的
分解方法：
特征值分解：只能用于方阵
SVD：
gradient decent
用regularization防止过拟合：模型权重的q次方，q=1为L1 regularization，q=2为L2 regularization
logistic regression：
LR将推荐问题转换成为点击率（CTR）的问题
linear regression + sigmoid
POLY2:
特征两两交叉
FM：
1.引入了隐向量，可以把权重参数n^2 -> nk
2.解决数据稀疏的问题，泛化能力提高
FFM：
引入了特征域
GBDT + LR：
利用GBDT自动进行特征筛选和组合，生成新的离散特征向量，把特征向量当作LR的输入
LS-PLM：
端到端非线性学习能力
用了L1 regularization，更容易求得稀疏解
原文：https://www.cnblogs.com/isshpan/p/14438244.html