lfm 在实际中的应肜问题
来源：2-2 LFM算法的理论基础与公式推导
GoFromZero
2018-12-06
老师，感觉LFM用来应用到召回层没有什么优势。
原因：
1: 如果用做线上实时召回，用户交互过的商品品向量，需要与商品池中千万级的商品向量做相似度计算，这个计算量
太大，在线上做不适合。
2: 如果像itemcf一样离线计算商品相似度， 将k个相似推到线上进行实时召回。则需要离线计算两两商品向量的相似度
再取TopK个相似，这个两两相似计算也是非常大，在千万级的商品上明显无法做。而itemcf在离线相似度相对比较
简单一些
所以想问一下老师，您一般在工程中是怎么应用lfm模型的？
写回答
1回答
-
在0-1系统起步阶段，此时user少item多，可以做user2item召回，也就是利用分布式像sparkmllib等方式实现user召回集然后直接写kv。在成熟系统中，此时用户量级远超item量级，可以做item2item召回，比如你item库举例来说是kw，但是通过一些先验知识砍掉一些无用的计算，不需要kw*kw的计算。算出相似度矩阵然后写kv。 这两种方式我分布在系统的不同阶段都采用过。 无乱哪种方式，都是离线写kv。如果做成实时的向量召回，这个model还是太浅层。需要用deep match等model，可以看我的慕课网手记。线上采用fasis。这样召回。但是这种召回方式效果我在实践中一般情况。
012018-12-06
相似问题