关于推荐中的召回和实时推荐思考

1、推荐的召回是否要记录对应的pos？
    <1>数据变化快，这个位置经常失效；如果变化不大，那么使用数据结构可以加速查找，比如： skiplist或者支持o(1)的list    

   <2>部分刷新和全部刷新，局部数据+整体数据，每个用户保留一个局部数据版本号，如果版本号变化，说明缓冲区刷新，否则的话，可以直接使用加速查找

2、关于item2vec：
    <1>通过传统的word2vec方法，依据上下文获得embeding
    <2>直接提取标签，依据标签进行检索获得，基于标签的embeding没有好的什么实现路径

3、word2vec和item2vec的区别
将word2vec(此处与下文word2vec均是skip-gram with negative sampling，简称SGNS)技术用来生成item的表达，这个算法称为item2vec。word2vec与item2vec的区别如下：

• 应用word2vec时，一个sentence中的word是有次序的；而item2vec作用于一个item set，不关注item之间的次序。
• 应用word2vec时，每个context word只与window内的词构成的pair才是positive case；而item2vec中无window概念，一个context word与item set中其余词构成的pair均是positive case。

4、推荐中的实时推荐包括

三大内容：

• 新产生的内容，如何更好的推送到相关的人，这部分的设计主要考虑如何将新产生的内容或者物品分发到对应的用户，这一部分即时性是重要的指标，准确度其次
• 新产生的用户行为，如何影响当前已经推荐的内容，又包括二个方面：
  • 短期用户兴趣如何影响用户最终的兴趣，这一部分非常重要，越实时越准确越好，而且这一部分还会影响最终的精排
  • 短期的用户行为，如何改变被推荐物品或者商品的权重，这一部分，准确性优于实时性，也不能将所有物品或者商品进行实时更新