推荐系统基本流程

## 推荐系统基本流程​

图1 最简单的推荐系统流程 

​

主要元素

• 物品集合： 要推荐的物品或内容

• 用户： 用户的基本信息、用户的行为、用户的兴趣爱好等

• 场景： 用户所处的环境，例如：网络环境、什么时间正在做什么等

• 搜索引擎：根据用户对物品或者信息的偏好（包括用户对物品的评分、用户查看物品的记录、用户的购买记录等）与用户的画像数据进行拟合，学习得到什么样的用户会喜欢什么样的物品这样一个模型

• 推荐结果集： 是一个推荐结果或者一个推荐结果排序集合

主要模块

• 召回模块： 根据用户和场景特征，从物品列表（上百万个物品）中挑选用户可能感兴趣的物品，通过多种召回方法进行组合召回，最终得到用户的候选物品集（几百或者上千个物品）

• 排序模块： 针对召回模块的候选物品集进行精排，根据用户的所有标签特征、物品的特征以及交叉组合特征，通过排序模型计算，得到用户对候选物品集的评分。排序模块使用的特征比召回模块复杂，目的是计算用户精确的预测值。

• 后排模块：后排也就是后置排序，在得到用户对候选物品集的评分结果后，如果不进行后排，将会按照评分从高到低下发给用户进行展示。通常这里需要对排序列表进行调整，比如运营干预、优先级调权、指定下发规则等。

常用算法

• 召回模型的常见算法

推荐系统的排序算法，就是根据用户和物品的所有标签特征，通过排序模型计算，得到用户对候选物品集的评分。其中，在排序模块中使用的特征比召回模块中的复杂，目的是计算用户精确的预测值。

​

 

​

• 排序模型的常见算法

推荐系统的排序算法，就是根据用户和物品的所有标签特征，通过排序模型计算，得到用户对候选物品集的评分。其中，在排序模块中使用的特征比召回模块中的复杂，目的是计算用户精确的预测值。

​ 

 

​

​

​

参考文献

《推荐算法实战》