基于 Collaborative Filtering 的方法 SVD、MF 模型 、FISM、SVD++ Generic feature-based 的方法 LR、GBDTboosting、AdaBoost V.S. GBDT、GBDT V.S. LR、GBDT 与 XGBoost 区别、FM、FFM 基于 translation 框架的方法 transRec 模型 基于 representation learning 的深度匹配模型 DUIF 模型、ACF 模型、CKB 模型 feature

GBDT以CART作为基分类器，CART以gini指数选择特征，gini指数越小，纯度越高。离散特征会依次将每个取值作为分割点计算gini系数，连续特征会依次将连续两个值的中间值作为分割点，将数据分割为S1和S2两部分，并计算该分割点的gini增益为S1和S2方差之和，随后选取gini增益最小的值作为分割点，并当做离线特征计算该特征的gini系数，最后取gini指数最小的作为最优特征与最优切分点。Xgboost还支持线性分类器，相当于带L1和L2正则化项的LR。 GBDT在优化时只用到一阶导数