推荐模型 2010 年之前千篇一律以协同过滤、逻辑回归、因子分解机、梯度提升树为主。2015年之后深度学习推荐模型百花齐放。
CF 系列
从物品或用户的相似度出发，协同过滤算法（Collaborative Filtering）衍生出物品协同过滤（ItemCF）和用户协同过滤（UserCF）。
为了更好的处理稀疏共现矩阵、增强模型泛化能力，从协同过滤衍生出矩阵分解模型（Matrix Factorization Machine），并发展出矩阵分解的各分支模型。
逻辑回归系列
与协同过滤只使用用户和物品之间信息相比，逻辑回归能够利用和融合更多用户、物品、上下文信息。从 LR衍生出 LS-PLM、基于LR 的FM、和多种模型的组合模型。
因子分解机模型系列
基于传统逻辑回归，加入了二阶部分，使模型具备了特征组合能力。衍生出 FFM。
组合模型
组合不同模型，融合多个模型优点是搭建推荐系统常用的方法。如 Facebook 提出的 GBDT+LR 组合模型。
组合模型体现出特种工程模型化的思想。
参考
- 《深度学习推荐系统》
