“在深度学习盛行的时代，经典的协同过滤方法是否还在各大公司的推荐引擎中使用呢？答案是肯定的，协同算法在推荐领域中有这不可磨灭的基因，作为分发和传播能力极强的方法，至今，协同过滤方法仍然在工业界有这广泛的应用。此案例中，同学们将亲手实践协同算法的威力。

用户画像在推荐领域有着至关重要的作用，主流的协同以及今天大火的深度召回方法，如双塔、YouToBe召回方法等的情况下，基于用户画像的召回方法仍然适用，因其极具可控性与解释性，推荐领域，因其有这天然的业务性，导致推荐系统对可解释性要求极高，当出现推荐的bad case时，基于用户画像的召回策略是查找bad case的重要手段。

推荐业务领域常常有如下场景，相关推荐、猜你还喜欢等，熟悉吧？背后支持的算法和系统策略逻辑是什么呢？答案就在此案例中，类似的相关推荐场景，即为：根据现有物品推荐另一相关的物品或者商品，借助于用户行为与word2vec思路，将item Embedding引入此场景，并适当引入side info信息来做商品的相关推荐方法，此案例将为你揭晓其中的秘密。

MF(矩阵分解)算法作为推荐算法经典代表作之一，其是最早体现出Embedding泛化扩展思想的雏形；之后，FM(因子分解机)算法在MF(矩阵分解)基础之上发扬光大，将Embedding思想进一步引入传统的机器学习做推荐，FM算法看成推荐领域的万金油，召回、粗排、精排均可用FM实现，在深度学习上线资源较困难的情况下，可视为推荐领域的baseline的不二法门，此案例中，你将亲自感受FM算法的魅力。

推荐算法本质上就是在解决两个问题：记忆和泛化，传统的LR等模型，将大量的ID类稀疏特征直接喂给模型，再由广义线性模型直接学习这些ID类特征的权重，本质上就是模型对特征的简单粗暴的记忆，因此，泛化扩展性得不到保证，从未出现过的特征(如很重要的交叉特征等)，模型无法学习该特征权重，故特征的指征能力无法体现；因此，深度学习模型引入Embedding稠密向量概念，将不同特征之间的一部分共性抽象出，放入Embedding空间进行学习，这样的操作可以近乎看作是模糊查找，具有较强的泛化能力，但记忆性显然不如LR等模型，wide&&deep的提出是兼容记忆性与泛化性的考虑，在此基础上，后续的DeepFM等模型，也只是在wide端加强了模型对特征的显式交叉，但架构本质与wide&&deep模型是一样的。此案例就来带大家实操WDL方法。