• 概述
• 搜索领域的传统匹配模型
  • 使用机器翻译匹配
    • Statistical Machine Translation (SMT)
    • Word-based Model: IBM Model One
    • 使用Word-based Translation Models进行匹配
    • 使用Phrase-based translation models进行匹配
  • 在latent space中匹配
    • Partial Least Square (PLS)
    • Regularized Mapping to Latent Space(RMLS)
• 推荐领域的传统匹配模型
  • Collaborative Filtering Models
    • Memory-based CF
    • Model-based CF
    • Item-based CF in Latent Space
    • Fusing User-based and Item-based CF in Latent Space
  • Generic Feature-based Models
    • Factorization Machine
    • 隐式反馈vs 显式反馈
    • top-k 推荐

这里讲传统部分，深度学习部分见：https://daiwk.github.io/posts/dl-match-for-search-recommendation.html

概述

搜索领域的传统匹配模型

使用机器翻译匹配

Statistical Machine Translation (SMT)

Word-based Model: IBM Model One

使用Word-based Translation Models进行匹配

使用Phrase-based translation models进行匹配

在latent space中匹配

Partial Least Square (PLS)

Regularized Mapping to Latent Space(RMLS)

推荐领域的传统匹配模型

Collaborative Filtering Models

Memory-based CF

Model-based CF

Item-based CF in Latent Space

Fusing User-based and Item-based CF in Latent Space

MF

FISM

SVD++

Generic Feature-based Models

Factorization Machine

Rendle, ICDM’10

FM使得矩阵分解更容易加特征了，所以，可以模仿以下模型的效果：

MF,SVD++,timeSVD(Koren,KDD’09),PIFT(Rendle,WSDM’10)etc.

例如：

当xxxx时，FM和MF+bias是等价的：

当xxxx时，FM和SVD++是等价的：

隐式反馈vs 显式反馈

top-k 推荐