推荐算法从传统方法到深度学习方法发展里程碑

    时间 作者 技术名称 说明
    2003 Amazon ItemCF(基于物品的协同过滤) 不仅让Amazon的推荐系统广为人知，更让协同过滤成为今后很长时间的研究热点和业界主流的推荐模型。
    2006 Netflix MF(矩阵分解) 在Netflix Prize Challenge中，以矩阵分解为主的推荐算法大放异彩，拉开了矩阵分解在业界流行的序幕。
    LR(逻辑回归) 深度学习的基础性结构，能够融合多特征，成为了独立于协同过滤的推荐模型的另一个重要发展方向
    2010 Rendle FM FM在2012~2014年前后，成为业界主流的推荐模型之一
    2015 Yuchi Juan FFM 基于FM提出的FFM在多项CRT预估大赛中夺魁，并被Criteo、美团等公司深度应用在推荐系统、CTR预估等领域
    2014 Facebook GBDT+LR 利用GBDT自动进行特征筛选和组合，解决了工程上应用LR的特征组合难度。
    2015 澳大利亚国立大学 AutoRec 将自编码器的思想与协同过滤结合，提出了一种单隐层神经网络推荐模型
    2016 微软 Deep Crossing 深度学习架构在推荐系统中的完整应用
    2016 谷歌 Wide&Deep 自提出至今一直在业界发挥着巨大影响力的模型，Wide部分具有逻辑回归的优点，Deep部分具有深度神经网络的优点。《 Wide & Deep Learning for Recommender System》
    2017 - DeepFM DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
    2017 阿里巴巴 LS-PLM 自动2012年起成为阿里巴巴主流推荐模型，直至2017年才公开，与三层神经网络及其相似，可以把它看成连接前后深度学习时代的节点。
    2018 阿里巴巴 DIN 是一次基于实际业务观察的模型改进，提了业界非常知名的深度兴趣网络，把注意力机制引入深度学习推荐模型，用于捕捉用户兴趣。
    2019 阿里巴巴 DIEN 兴趣进化网络，DIN的演化版本，引入序列模型，用于模拟用户兴趣进化过程。
    2020 阿里巴巴 DSIN