# 078 复盘 2 推荐系统核心技术模块

到目前为止，我们讲完了人工智能核心技术的第二个模块——推荐系统。

整个模块共**21期**，**7大主题**，希望通过这些内容，能让你对推荐系统核心技术有一个全面系统的认识和理解，为自己进一步学习和提升打下基础。今天我准备了21张知识卡，和你一起来对这一模块的内容做一个复盘。

提示：点击知识卡跳转到你最想看的那篇文章，温故而知新。如不能正常跳转，请先将App更新到最新版本。

## 现代推荐架构剖析

推荐架构需要解决的问题：

- 能够在一两百毫秒内给用户提供当前的推荐结果；
- 对用户和系统的交互结果做出响应；
- 考虑用户群体的覆盖率的问题。

![img](assets/e02b1934236066a97ae36aef92c3bdc1.png)

![img](assets/807324f8294f096b4a65ae70186286a7.png)

![img](assets/3e34f33d9a47d4038806f0c8bd701fce.png)

## 简单推荐模型

![img](assets/374e49076df0afa906a16e9f1a358b2e.png)

![img](assets/98450431d48596f62cc1c60d3ee46c86.png)

![img](assets/1b653031c07f82369df5d908d0f283e0.png)

## 基于隐变量的模型

我们通过模型的假设，知道隐变量之间的关系，但暂时并不知道隐变量的取值。因此需要通过“推断”过程来确定隐变量的实际取值。当我们知道了这些隐变量的取值之后，就可以根据这些取值来对未来的数据进行预测和分析。

隐变量往往还带有“统计分布”的假设。最简单的隐变量模型是高斯混合模型。

![img](assets/569b83b19411ec553caab72f0345ea24.png)

![img](assets/d2a7fe56f96a98d3d5273eb6bdb81a20.png)

![img](assets/5fb61d3a9985ad47cf788b1e8e9527a3.png)

## 高阶推荐模型

![img](assets/d533bf563525a8fc26bdb961f77e29d4.png)

![img](assets/90272a06f9d37b463bbe82ff8d857986.png)

![img](assets/9fedf4ca01b38e5b3ca3e0f7c0e6e60d.png)

## 推荐的Exploit和Explore算法

![img](assets/2250834bcf534dc767c780b8a891cae0.png)

![img](assets/27273671a15d93715327d8a20845e06c.png)

![img](assets/c288afc7d0e523ca292b9ba99b565ec7.png)

## 基于深度学习的推荐模型

![img](assets/ef58f8151d6e56e3b21fcc0405d24683.png)

![img](assets/3348cdce4fe739403ff5b35fbc9da345.png)

![img](assets/cc0b8806fa5afd1cb7d4c36b25586951.png)

## 推荐系统的评价

![img](assets/f24271c6d95c4281e8ee67c79a46ec76.png)

![img](assets/9e1d29327ee87f7e45950aafcdcbc908.png)

![img](assets/f6cf7cb2162520ccd2fb3f092cb37158.png)

## 积跬步以至千里

最后，恭喜你在这个模块中已经阅读了**45397字**，听了**138分钟**的音频，获得一张新的**通关卡**，这是一个不小的成就。在人工智能领域的千里之行，我们又往前迈出了一步。

![img](assets/68086c922fbc5bd91dafc37811aef009.png)
