整个推荐系统用到的知识

策略算法：

1）数学理论

i) 统计模型相关：概率论、数理统计、贝叶斯分析（很多以贝叶斯学派理论建模的统计模型，注如LDA等）、回归分析、时间序列分析、随机过程 等等

ii) 其他模型相关(相对用得较少)：常微分、偏微分、组合学、拓扑学等等

iii) 模型求解相关: 矩阵论(基础知识)、数值优化、凸优化、随机模拟等

2）算法应用

i) 方法论：数据挖掘、机器学习、信息检索

ii) 算法教程：《Recommender Systems Handbook》

iii) 行业动态：各种推荐系统相关的paper和会议

iv) 研发工具：hadoop、spark、flume、storm、hive、hbase、kafka、redis、(java、c++) 、python 等等。

系统工程 :

1) 日志收集相关：flume、kafka（当然,不止应用到日志收集的环节）

2）分布式批处理框架：hadoop (Mapreduce)、spark

3) 分布式流式计算框架: storm

4）数据存储相关：hadoop (HDFS)、hive、hbase、redis、mysql、oracle、NoSQL等等

5）开源索引框架：lucene、elasticSearch

6）在线服务相关：web开发相关技术

我主要是做推荐算法开发、推荐系统的策略架构和工程架构设计以及部分工程架构开发。遗漏的地方，等后面的各位道友补充。