关于推荐系统

推荐系统实践和系统接触了一些，偶然读到百分点推荐系统设计一文，有些感想总结如下：

1.推荐的行业差异性

a)行业共有的：实时性，高可用性等主要体现在架构上

b)差异性主要体现在推荐的内容上:有的购买重复性高，具有周期性，有的产品就不能重复购买，例如相同款式的包包等，这里需要对行业进行细分，这个差异主要区别在特征上，时间特性，内容特性等。例如在不同的时间如节假日相关的物品，话题。

2.推荐的领域

a)基于全网的，主要在搜索，侧重内容，难点在理解用户的准确需求

b)垂直类的，相对来说特定某一个领域或者行业，对用户的兴趣和物品的特征需要有较清晰的把握。

c)现在垂直类的不限于利用用户在本站产生的行为，需要全网或者其它站点提供用户的信息，比如用户的搜索，看的内容，广告等，大部分利用cookie的传递，这需要不同站点协作。基于全网的分析可以给推荐系统对全局热点话题，兴趣的把握。

d)全网合作性的加强，未来互联网是一个云，每一个网站都是云的一种服务，它们协作起来为用户提供更好的服务。可以联系到现在的商品内容的关联分析，特别是垂直类的发展，未来一项服务可能需要多个网站共同完成，现在的ad exchange；很多类似的服务有往这发展的趋势，网站服务之间的耦合是个问题，但从个人观点看，应该很容易解决。

3.架构的设计方面

1）数据采集和分析

数据我觉得可以分为全网和垂直类的，不管是哪一种，数据量都是非常大，需要采用高效的分布式存储架构，按照内容的不同采用不同的存储架构。在这个阶段数据采集之后需要对之进行分析包括建立索引，抽取特征，找出热点等信息。按照user,item进行特征的挖掘和提取。实时性在这部分主要是新数据的采集，用户行行为的产生等能够及时的反馈到推荐引擎

2)各种推荐引擎

a)这部分主要利用1的数据进行各种推荐算法，需要输入，输出足够抽象，方便扩展。

b)这部分训练的模型和权重要满足高性能的查询和更新。方便实时的更新预测模型，可以使用各种实时计算各种来实时的更新。

3)推荐服务器

这部分主要满足推荐服务请求和重排序等功能。

4)测试和迭代

主要是方便测试和加速迭代

系统架构我觉得主要要满足健壮性，服务要能承受很高的并发，出错少，方便测试和回归。其次，可扩展性，数据量大，无论是数据还是模型的存储，更新，查询都需要实现快速的部署和恢复。

以上的架构需要更多思考，因为知识所限，偏颇之处在以后会做更新！