推荐系统（1）-业界推荐系统架构（基于Python）

1介绍

基于这篇文章的学习推荐系统（1）-业界推荐系统架构

2 推荐系统常见架构

2.1基于离线训练的推荐系统架构设计

主要应用场景：手机应用市场、音乐推荐、短视频推荐、资讯、购物
常用算法：逻辑回归（Logistics Regression）、梯度提升决策树（GBDT）和因式分解（FM）

2.2面向深度学习的推荐系统架构设计

主要应用场景：图像处理、自然语言理解、语音识别、在线广告等具有时序行为、多维数据的推荐系统
常用算法：受限玻尔兹曼（RBM）、自编码器（AE）、卷积神经网络（CNN）、深度神经网络（DNN）、宽度学习（Wide&Deep）等

2.3基于在线训练的推荐系统架构设计

主要应用场景：广告和电商等高纬度大数据量、实时性要求很高的推荐系统，例如，新闻事件
常用算法：FTRL-Proximal、AdPredictor、Adaptive Oline Learning 和PBODL等

2.4面向内容的推荐系统架构设计

主要应用场景：新闻资讯，今日头条、抖音、微博、视频音乐、广告购物朋友圈传播资讯、门户网站等
常用算法：NLP自然语言、word2vec、深度学习DNN、OCR等

参考

推荐系统（1）-业界推荐系统架构：https://zhuanlan.zhihu.com/p/93183929