推荐系统主要解决的是信息过载问题,目标是从海量物品筛选出不同用户各自喜欢的物品,从而为每个用户提供个性化的推荐。推荐系统往往架设在大规模的业务系统之上,不仅面临着用户的不断增长,物品的不断变化,而且有着全面的推荐评价指标和严格的性能要求(Netflix 的请求时间在 250 ms 以内,今日头条的请求时间在 200ms 以内),所以推荐系统很难一次性地快速计算出用户所喜好的物品,再者需要同时满足准确度、多样性等评价指标。
为了解决如上这些问题,推荐系统通常被设计为三个阶段:召回、排序和调整,如下图所示:
这里以文章推荐系统为例,讲述一下推荐系统的完整流程,如下图所示:
不同模型的做法大致相同,这里以 LR 模型为例。
https://space.bilibili.com/61036655/channel/detail?cid=91348 https://www.bilibili.com/video/av68356229