对于使用算法（机器学习、深度学习等）解决实际问题的同学而言，大多数人调侃自己不过是调参侠而言。特别是深度学习，选什么激活函数，选什么隐藏层，是否进行dropout正则化、学习率调整、网络深度和层数设置等等。
由于调参的繁琐，我们往往采取偷懒的方式。比如机器学习首选XGBoost，卷积神经网络首选AlexNet、循环神经网络首选LSTM。这些模型常常作为解决问题的银弹使用。
但模型和参数的选择并不是最重要的。算法的使用应当以场景为导向。比如你要解决怎样的问题？优化的目标是什么？影响因素有哪些？
阿里的LS-PLM模型1
阿里在做淘宝推荐系统时，绕不开客群分类的问题。比如使用CTR模型来预估女性受众点击女装广告的点击率，那么就不应该把男性点击数码产品的样本考虑进来。这样，分群建模是一个常见的思路。但是，阿里的创新之处是换了一种做法。
由于不同的人群具有聚类特性，同一类人群具有类似的广告点击偏好。因此可以先对全量样本进行聚类，再对每个分类运用逻辑回归模型预测点击率。这种方法将不同群体放在同一个模型中，又兼顾了群体之间的差异。
该模型是阿里在应用深度学习之前主流的推荐模型：LS—PLM（大规模分段线性模型）。直到2017年阿里才公开发表了这一模型。
LS-PLM的函数表达式结合了聚类（softmax）和逻辑回归（sigmoid）。softmax将特征空间分为m部分，然后用sigmoid对每部分进行预测。表达式为： \(f(x) = \sum_{i=1}^{m}{\frac{e^{u_ix}}{\sum_{j=1}^{m}e^{u_jx}}\frac{1}{1+e^{-w_xx}}}\)
其中的超参数m是作为聚类个数的参数。m越大，可以增强模型的非线性拟合能力。
Facebook的视频推荐模型2
YouTube的收入主要来源于用户观看视频所带来的广告收入。对于公司而言，推荐模型最终的优化目标不是点击率，而是用户的观看时长。预测用户的观看时长，本质上是回归问题。但YouTube巧妙地将其转化成了分类问题。
具体做法是在sigmoid函数上引入观看时长，构建加权逻辑回归： \(log(\frac{T_ip}{1-T_ip}) = e^{wx+b}\)
\[其中T_i是样本i的观看时长\]由于在视频推荐场景中，用户打开一个视频的概率p往往很小（在1%左右），因此上式可以简化为： \(log(\frac{T_ip}{1-T_ip}) \approx log(T_ip) = e^{wx+b} = 期望观看时长\)
Netfix的影片推荐模型
Netflix的推荐系统会根据用户的历史信息来生成影片的推荐列表。Netflix的数据科学家根据影片所特有的属性发现，影片的预览图是影响用户是否点击影片的重要因素。因为图片相比文字，更能产生视觉冲击。
因此Netflix的数据科学家对影片的预览图进行优化，使不同的人会看到不同的预览图。比如，一位喜欢新垣结衣的用户，更可能喜欢她主演的其它影片。于是在该用户的浏览页面上，会出现这些影片。更妙的是，这些影片的预览图会以新垣结衣为头像，并配以相应文字、背景的影片。
预览图千人千面的做法，使得CTR模型的效果提升了10%。
