「推荐系统从0到1」前言

初衷

自己在工作中做推荐系统也有不短的时间了，基本上把推荐系统的各个环节都接触到并自己亲自动手操作了一遍，但是并没有完整的自己去实现一整套推荐系统，心里感觉总是少了点什么。

程序员嘛，就算有现成的轮子，也想自己实现一套，这样可以更好的了解其中的细节，查缺补漏，从而提升自己。

同时也可以给正在学习推荐系统的同学们提供个参考吧！另外，我自己的经验肯定也有不对或者不完善的地方，所以也希望在这个过程中可以和大家探讨和学习！

计划

会定期更新「推荐系统从 0 到 1」的这个系列，目标一周至少更新一篇，直到完成这个系列为止。先从线上服务开始，再到离线以及算法和其他部分。

中间可能会穿插一些突发奇想，或者突然想写的内容，又或者有的同学关注的内容，这就说不准了！

内容

整套推荐系统内容来看，说多不多，说少也不少。大概可以分为以下几个模块吧：

1. 整体架构描述
2. 线上服务，包括 apiserver，recallserver，rankserver，filterserver 等。
3. 召回，包括 usercf，itemcf 等一些常用的召回，以及一些验证过效果较好的召回，比如 swing，item2vec 等。
4. 用户画像。
5. 排序，先从基础版本迭代，逻辑回归到深度模型。
6. 其他算法，bandit 算法等。
7. 其他，与业务相关联的一些思考。

选型

1. 线上服务 golang+etcd+tfserving。
2. 批处理 spark+hive+tensorflow。
3. 流处理 flink。
4. 存储 hbase+redis。
5. 其他 kafka+es。

选型这块可能会根据情况，进行不同的尝试，毕竟技术更新这么快，还是要多尝试一些前沿的东西吧，活到老学到老！

那么，开始吧！

任务艰巨，一个人完成需要大量的时间以及精力，但是相信这一切都是值得的，加油吧！

最后，希望有志同道合的朋友可以多多关注和互动！

---

原文链接