Rank
将用户和物品的特征进行线性组合，并引入二次项来捕捉特征之间的交互关系
Recall
将用户行为矩阵分解为两个矩阵的乘积，通过用户向量和物品向量的内积来表示用户对物品的偏好
基于用户的协同过滤算法根据用户对物品的偏好，计算用户与其他用户的相似度，根据用户的相似度，推荐与用户兴趣相似的物品。基于物品的协同过滤算法根据物品之间的相似度，推荐与用户之前喜欢的物品相似的物品
recsys
将FM算法和深度学习结合，捕捉特征之间的交互关系和高阶特征
将协同过滤和深度学习结合，捕捉用户和物品的隐式联系和高阶特征
通过门控网络来学习多个专家模型的权重，提高模型的多任务学习能力
通过多任务学习，同时学习ctr和cvr，在完整样本空间上进行训练，避免了传统CVR模型经常遭遇的样本选择偏差和训练数据稀疏的问题
