推荐系统1年工作感想。意识流，想到什么写什么。

由于机缘巧合从机器视觉转推荐算法已经满打满算一年了，从21年开始做的推荐系统，也1年没写过博客记录学习进程了，可以发现之前做CV的时候比做推荐还是要闲一些的，还有空看看一些论文，但也侧面体验出几个方面：

  1. 做CV的论文是真的多，尤其是前几年各种牛逼的论文层出不穷；
  2. cv是追求精度，需要模型网络上的技巧；
  3. 推荐系统是个工程和业务问题，更侧重于业务导向，并且上一个模型需要大量的工程上的依赖。

换方向的还有个原因就是图像太卷了，换个领域卷一下。

推荐系统的模型比起cv真的是小儿科，这里仅仅只模型本身，不包括特征输入什么的。从LR 到 XGB 到 FM 到DeepFM 再到DIN 再再到一些复杂的序列模型等，不管是简单的模型还是复杂的模型从做推荐开始可能都可以用上，假设从0开始做一个推荐系统，可能这些模型都会拿来使用，因为在推荐系统前期模型不是最重要的，特征或者稳定性（性能）才是最重要的。在推荐系统初期就单单模型（这里指宏观上的模型，包括特征、样本、模型等）迭代来说，我觉得特征和样本的迭代是最初需要侧重的点。和cv比起来就不太一样，cv上来可能就是一个比较好的精度较高的模型（当然不需要太好也不是最差，比如分类先选个resnet，而不是最好的）。所以推荐算法不会说一上来就用深度模型进行迭代，即使说深度这块的工程已经完备了，也不会说马上用深度模型，因为第一模型过大影响迭代速度，比如迭代特征或样本的时候xgb训练一次可能就半小时，而你deepfm可能要半天，当然选择xgb。