0 推荐技术
1）协同过滤：
（1）基于user的协同过滤：根据历史日志中用户年龄，性别，行为，偏好等特征计算user之间的相似度，根据相似user对item的评分推荐item。缺点：新用户冷启动问题和数据稀疏不能找到置信的相似用户进行推荐。
（2）基于item的协同过滤：根据item维度的特征计算item之间的相似度，推荐user偏好item相似的item。
（3）基于社交网络：根据user社交网络亲密关系，推荐亲密的user偏好的item。
（4）基于模型：LR模型，user和item等维度特征输入给模型训练，label是show：clk，根据预估的pctr进行推荐。DNN模型：见下面。
2）基于内容的过滤：抽取item的有意义描述特征，推荐user偏好item相似度高的item，个人觉得像基于item的过滤。
3）组合推荐：根据具体问题，组合其它几种技术进行推荐。
1 DNN推荐模型
1）特征工程：
用户维度：用户id，性别，年龄和职业。
电影维度：电影id，类型和名称。
2）模型设计：
user和item维度特征embedding，各自的全连接网络结构，最顶层是两个维度网络结构的cosin距离代表相似度。所以为user推荐相似度高的item。
（1） user维度的网络结构，分别将四个特征embedding，并输入全连接层；再将四个全连接输入到全连接层，并定义激活函数为tanh（代码为paddle开源工具）。
（2）item维度网络结构，同user维度一样，分别将三个特征embedding后输入全连接层，再相加输入全连接层（注意title用了cnn）。
（3）最顶层将user和item连接，cosin距离代表了user和item的相似度，并且损失函数为mse。
2 youtube推荐模型
1）大规模推荐的系统由于数据量太大，不能直接进行全连接的排序，所以一般大致分为两个阶段：百万级到百级的触发过滤出一部分，再进行细致排序截断阶段。
2）百万级到百级的触发过滤，模型采用MLP，训练时softmax做多分类，预测时计算与所有视频的相似度，取top K个视频。我认为label可以是show:clk，类似于LR进行模型推荐。
3）排序截断阶段：网络结构与触发阶段一样，只是最顶层是LR，做排序；特征工程方面可以更细致，比如视频ID，上次点击时间等等。
参考：https://github.com/PaddlePaddle/book/tree/develop/05.recommender_system