年5月，Facebook开放了他们的一些推荐方法，并引入了DLRM(深度学习推荐模型)。这篇文章旨在解释DLRM和其他现代推荐方法是如何以及为什么能够如此出色地工作的，通过研究它们是如何从该领域以前的结果中衍生出来的，详细解释它们的内部工作原理和思路。
基于AI的个性化广告已成为在线营销中的标准配置，而Facebook，Google，Amazon，Netflix等公司是在线营销之王，因为他们不仅采用了这种趋势，而且从根本上发明了这种趋势，围绕它建立了他们的整个业务战略。Netflix的“您可能会喜欢的其他电影”或亚马逊的“购买此商品的顾客也购买了……”只是在线世界中许多例子。
作为Facebook和Gooogle用户，我们经常会问到：
“这到底是如何工作的？”
我们都知道基本的电影推荐例子来解释协作过滤/矩阵分解是如何工作的。此外，我不是在讨论每个用户训练一个直接的分类器的方法，它输出用户是否喜欢某个产品的概率。这两种方法，即协同过滤和基于内容的推荐必须产生某种性能和一些可用的预测，但谷歌、Facebook和Netflix等公司肯定有更好的方法，否则它们不会有今天的地位。
为了了解当今高端推荐系统的来源，我们必须看一下解决以下问题的基本方法：
预测某个用户对某个商品的喜爱程度。
在网络营销的世界里，这就增加了对可能的广告的预测点击率(CTR)，基于明确的反馈，如评级，喜欢等，以及隐含的反馈，如点击，搜索历史，评论，或网站访问。
基于内容的过滤与协作过滤
基于内容的过滤宽泛地说，基于内容的推荐是指通过用户的在线历史记录来预测用户是否喜欢某个产品。这包括用户给的赞(如在Facebook上)，他/她搜索的关键字(如在谷歌上)，以及简单的点击和访问他/她对某些网站。总之，它