《推荐系统实战宝典》第1章 推荐系统概述

今天有空总结一下在图书馆借阅的一本机工出版的《推荐系统实战宝典》，里面很多概念我很多都不会，以后有空回来再修改补全我的理解

1.背景

从信息匮乏到信息过载过程，出现两种解决办法，搜索引擎和推荐系统。
推荐系统相对搜索引擎更倾向于没有明确目标的用户，根据其现状来返回其有潜在的需求结果或者感兴趣的结果，意义在于挖掘长尾项目的潜在利润。

长尾项目：指相对于曝光率高的项目来说的低曝光率的项目容易被忽视

1.1 出现的场景

1.电商里出现的"猜你喜欢"
2.只知道起点和终点，打开地图软件，系统推荐好几种线路
3.微博热搜榜
4.音乐软件的推荐歌单
5.通勤时候看到今日头条会根据你的历史阅读习惯，推送相似的内容

总结：推荐系统，从收益角度分析什么样的推荐系统是好的推荐系统，能在用户搜索零食时候还推荐可乐(让用户联想起吃零食还能买喝的解渴)，这样推动了推荐系统多挣一笔收益，也让提醒了用户有潜在的需求。又或者说，当系统推送文章栏目种，让用户发现到一篇很符合其口味的文章，但这种文章平时根据自己喜好又搜不出来，这种也属于好的推荐系统。

1.2 推荐系统架构

一般分为以下6个模块如下

1. 底层基础数据：基础数据分为用户数据和物品数据。
2. 数据加工存储：可以对用户数据做用户画像，同样也有物品画像，进行特征工程的提取。
3. 召回内容
4. 计算排序
5. 过滤和展示
6. 业务应用

一图胜千言如下：

3.推荐系统架构治理

当前推荐系统的基本架构，一般分为5个板块

1. 数据流：数据怎么获取，怎么用，怎么加工，正确性和时效性怎么保证等问题
2. 离线板块：涉及加工处理，模型生产，指标报表等离线任务，怎么协调这些任务高校进行，并获取正确有效结果。
3. 在线板块：实时推荐的能力，能够适应快速变化且保证可用性和性能至关重要。
4. AI：整个AI模型生成到服务的全生命周期，有机集成到系统是一个挑战
5. 基础设施：这是多领域交叉的综合应用，多个中间件，基础组件做支撑，如何管理和运维，减少以来，有效利用是很重要的命题

书中还提及到淘宝推荐引擎系统结构和网飞的推荐架构这两个例子

4.评测推荐结果的实验方法

1. 离线实验：只关心模型拟合能力
2. 用户调查：获取用户主观感受的指标
3. 在线实验：AB测试，也即对用户分组用不同的算法，使用一些指标来判断算法的性能

评测指标

1. 用户满意度：最重要指标
2. 预测准确度：
3. 准确率，精确率，召回率，覆盖率

5.推荐系统知识储备

下面是知识架构图