推荐系统之演化历程
作者：互联网
前推荐时代
在产品的初期，通过冷启动进行推荐。这时的推荐功能简单，一般是全局推荐，推荐服务逻辑较轻，没有个性化千人一面，从而容易引起马太效应。推荐策略一般由人工定义或人为定制策略，通常使用实时热点的内容，利用自然排名（热快全等等维度、排序因子计算多重维度综合指数）规则排序进行展示。这个阶段引入的机器学习也较为简单，通常使用单机训练，来预估条目转化情况，再由人工介入设定整体排序策略。
为了减轻带来的负面影响--马太效应，开始了多种的尝试：
- 随机因子
补偿不利位置：比如按一定比例插入排序靠后的商品，或者定期将位置靠前的商品直接降权（半衰期概念）。
- 继承与清零
通过文本算法，建立条目之间的相似性，对新条目得分进行预测（得分具有时效性）。
建立更短的时间窗口。MAB算法
公平曝光机会，按天或小时，综合考察商品能力，即活动的赛马机制。
- Reddit，Ranking算法
个性化推荐时代
推荐系统慢慢由非个性化进步至个性化阶段。
在非个性化时代，推荐的条目是由爆款热门、相关条目丰富扩展、高性价比条目等等组成。而个性化可以通过画像类、知识类、协调过滤等方法实现。
- 画像类：比如性别、偏好类目、偏好品牌等等从基础数据或行为数据中挖掘出的用户类标签构成。
- 知识类：如专家知识类
- 协同过滤内容算法：实时U2I、历史U2I、偏好U2I
标签：排序,演化,推荐,U2I,条目,算法,历程,个性化 来源： https://www.cnblogs.com/dorsher/p/15184303.html