模型名称

基本原理

特点

局限性

CSDN链接

AutoRec

基于自编码器，对用户或者物品进行编码，利用自编码器的泛化能力进行推荐

单隐层神经网咯结构简单，可实现快速训练和部署

表达能力较差

​​Go❤️​

Deep Crossing

利用“Embedding层+多隐层+输出层”的经典深度学习框架，预完成特征的自动深度交叉

经典的深度学习推荐模型框架

利用全连接隐层进行特征交叉，针对性不强

​​Go❤️​

NeuralCF

将传统的矩阵分解中用户向量和物品向量的点积操作，换成由神经网络代替的互操作

表达能力加强版的矩阵分解模型

只使用了用户和物品的id特征，没有加入更多其它特征

​​Go❤️​

PNN

针对不同特征域之间的交叉操作，定义“内积”“外积”等多种积操作

在经典深度学习框架上模型对提高特征交叉能力

“外积”操作进行了近似化，一定程度上影响了其表达能力

​​Go❤️​

Wide&Deep

利用Wide部分加强模型的“记忆能力”，利用Deep部分加强模型的泛化能力

开创了组合模型的构造方法，对深度学习推荐模型的后续发展产生重大影响

Wide部分需要人工进行特征组合的筛选

​​Go❤️​

Deep&Cross

用Cross网络替代Wide&Deep模型中的wide部分

解决了Wide&Deep模型人工组合特征的问题

Cross网络的复杂度较高

​​Go❤️​

NN

利用FM的参数来初始化深度神经网络的Embedding层参数

利用FM初始化参数，加快整个网络的收敛速度

模型的主结构比较简单，没有针对性的特征交叉层

​​Go❤️​

DeepFM

在Wide&Deep模型的基础上，用FM替代原来的线性Wide部分

加强了Wide部分的特征交叉能力

与经典的Wide&Deep模型相比，结构差别不明显

​​Go❤️​

NFM

用神经网络代替FM中二阶隐向量交叉的操作

相比FM，NFM的表达能力和特征交叉能力更强

与PNN模型的结构非常相似

​​Go❤️​

AFM

在FM的基础上，在二阶隐向量交叉的基础上对每个交叉结构加入了注意力得分，并使用注意力网络学习注意力得分

不同交叉特征的重要性不同

注意力网络的训练过程比较复杂

​​Go❤️​

DIN

在传统深度学习推荐模型的基础上引入了注意力机制，并利用用户行为历史物品和目标广告物品的相关性计算注意力得分

根据目标广告物品的不同，进行更有针对性的推荐

并没有充分利用除“历史行为”以外的其它特征

​​Go❤️​

DIEN

将序列模型与深度学习模型结合，使用序列模型模拟用户的兴趣进化过程

序列模型增强了系统对用户兴趣变迁的表达能力，使推荐系统开始考虑时间相关的行为序列中包含的有价值信息

序列模型的训练复杂，线上服务的延迟较长，需要进行工程上的优化

​​Go❤️​

DRN

将强化学习的思路应用于推荐系统，进行推荐模型的线上实时学习和更新

模型对数据实时性的利用能力大大加强

线上部分较复杂，工程实现难度较大

​​Go❤️​