推荐系统排序算法之一：LR

作者: 轻菊不爱柠檬 | 来源:发表于2019-08-15 16:31 被阅读0次

推荐系统排序算法之一：LR
前端算法学习-第一篇
阅读记录-推荐系统
排序算法
Object-C实现常见十大算法(冒泡、选择、归并、双路、三路.
2018-06-30
10分钟看懂10大经典算法(Swift代码实现)
排序算法
Python实现十大经典排序算法
Swift的十大经典排序算法总结

推荐系统整体流程：

在推荐系统中，排序其实和召回一样重要，推荐的结果用户是否满意跟排序算法有不可磨灭的关系。

其中排序最简单的线性模型就是逻辑回归（logistic regression），众所周知，逻辑回归主要用于二分类和多分类。

拼接每个向量化后的用户画像userProfile和itemid的特征，再加之上下文信息context，若userid在itemid上发生过行为（小说推荐场景中比如点击，阅读 or 收藏过），就把label置为1，这些加起来就是正样本，那么没有发生过行为的为负样本label为0。那么逻辑回归的损失函数就派上了用场：

其中，y为：

$y=\frac{1}{1+e^z}$

z为：

$z=-(wx+b)$

通过降低损失函数打到训练的目的哦，那么，利用模型对新的数据进行预测就完成了打分，根据topN进行排序展示给用户。

但是这个LR只适合离线大数量处理，没有办法处理在线数据，不能适应现存推荐系统的实时性要求，但是入门还是要学哒～。嗯，Google在2013奶奶推出了Follow The Regularized Leader(FTRL)，一种在线逻辑回归算法。该方法对逻辑回归的目标函数进行了修改，加上各种系统工程上的调优，使得该模型的参数可以在每一个线上数据点进行动态更新，GitHub有源码。

此篇文章比较糙，有错误肯请指正～

参考文章：

1.https://www.jianshu.com/p/4430203ab6d5

2.https://www.jianshu.com/p/f30a4937bf25?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation