推荐系统系列-初认知

注：此系列参考书籍《深度学习推荐系统》-王喆著

推荐系统之目的

个人目的：扎根于电商领域，在了解电商业务的基础上，用技术手段解决决策问题，例如在某个场景中最大限度的解决吸引用户、留存用户、增加用户粘性、提高用户转换率等问题。

推荐系统架构初认知

推荐系统架构包括三个层面的架构：

1. 技术架构

技术架构分为数据部分和模型部分。

• 数据部分的目的是输入原始数据，在流处理平台进行数据处理，提炼出用户信息，物品信息和场景信息，之后通过特征工程输出用户特征、物品特征和场景特征（其实就是电商领域的三大维度：人货场）
• 模型部分将数据部分的输出，即用户特征、物品特征和场景特征作为模型输入，经过召回层、排序层、算法层，输出最后的推荐物品列表，在中间需要进行离线评估和线上A/B test进行模型测试和调参。

2. 数据架构
   数据是模型之源，模型的输出结果的好坏直接取决于数据质量，假设有较好的数据质量，需要对数据进行处理，把数据比作水，那要相应的进入管道让其流通起来，所以有实时处理以及离线处理两种方式，实时处理能力由强变弱的三中平台依次为：

   • 客户端及服务器实时数据处理
   • 流处理平台准实时数据处理
   • 大数据平台离线数据处理

   经过以上三个平台处理后的数据一般会有以下去处：

   1. 生成模型所需样本数据
   2. 生成模型所需特征（加工过后的）
   3. 生成BI（商业智能）所需的一些统计数据，用于数据质量和业务相关检测。

3. 模型架构
   模型结构一般由召回层、排序层和排序策略层。
   召回层是什么呢？
   召回层算是将候选集里面即用户感兴趣的物品按高效的召回规则、算法或简单的模型，快速从海量的候选集中召回用户可能感兴趣的物品。
   排序层即利用排序模型对初筛的候选集进行精排序。
   补充策略和算法层，也可以称为再排序层，将推荐列表按“多样性”、“流行度”或“新鲜度”等指标进行补充调整。
   模型训练一般分为在线训练和离线训练，两者的本质区别在于在线模型可以及时利用新的样本，做到实时更新模型，而离线是可以利用全量样本和特征使得模型逼近全局嘴有点。
   在构建模型之后，会有模型评估，针对在线训练和离线训练，分别有“离线评估”和“在线A/B测试”等评估方式。
   模型部分中，最核心最重要的部分是“排序层”，后续系列将介绍此部分的主流技术。