深度学习与推荐系统实战：从FM到DeepFM

"推荐系统系列合集-2019" 是由石晓文创作的一套推荐系统相关的原创博客文章集合，涵盖了从基础到深度学习的应用，提供了推荐系统领域的最新知识总结，适合学习和参考。 在该合集中，讨论了多个推荐系统的重要模型和技术，包括： 1. **Field-aware Factorization Machines (FM)**：FM是一种考虑特征间二阶交互的模型，它通过one-hot编码处理稀疏数据，并能够捕捉不同特征字段之间的关联性。 2. **Factorization Machine (FFM)**：FFM是FM的扩展，进一步区分每个特征字段内的交互，增强了模型的表达能力。 3. **DeepFM**：结合了FM和深度学习网络，既能利用浅层结构捕获高阶交互，又能利用深层神经网络学习非线性特征表示。 4. **Embedding 技术**：将离散特征转换为连续向量表示，有助于模型学习特征之间的复杂关系。 5. **Deep & Cross Network**：设计用于广告点击率预估，通过深度网络和交叉网络组合，有效捕获特征交叉和层次结构。 6. **Product-based Neural Networks (PNN)**：PNN通过Product Layer进行特征的乘积操作，以学习非线性交互。 7. **Neural Factorization Machines (NFM)**：结合了神经网络和因子分解机，以更灵活的方式建模特征交互。 8. **Attention-based Factorization Machines (AFM)**：引入注意力机制来增强FM，强调某些特征交互的重要性。 9. **AUC 评估指标**：介绍了如何使用Area Under the ROC Curve (AUC)作为评估推荐系统性能的标准，包括其计算方法和相关检验。 10. **GBDT+LR**：将Gradient Boosting Decision Tree与逻辑回归结合，用于点击率预测，提高模型的预测精度。 这套合集不仅包含理论介绍，还可能涉及具体实现，如TensorFlow实践，以及相关代码示例，对于希望深入理解和应用推荐系统的读者来说是一份宝贵的资料。通过阅读和学习这些内容，你可以掌握推荐系统的关键技术和当前的研究趋势。