推荐系统算法框架设计

推荐系统的核心即是探索item-item、user-item、user-user的关系，然后通过一种方法把这种关系量化或可视化，或许这般说法太过于简化了，仔细的思考过后会发现并不那么容易，让机器发现尿不湿与啤酒的关系，或许并不是很难，而现在是个性化推荐，不只是尿不湿和啤酒的关系，而是什么样子的尿不湿和什么样子的啤酒给什么样子的人推荐，或者说中间还需要奶粉等等很多很多，item千千万，user动辄上亿，在如此纷繁复杂的item与user面前，要让每一个人满意，这其中并不容易。
简单的，大家都知道超市尿不湿和啤酒放在一起的案例，但是在当下这个时代，大家去超市有谁会发现尿不湿旁边放着啤酒？至少小编没见过，所以这是一个属于过去的故事，这个故事包含了最原始的推荐的核心思想，但是这种还是没有细分到个人的角度，或许是面对的多数群体，所以这里我们说到的推荐系统是个性化推荐，推荐的主体是个人，不是群体。
所以在目前的推荐系统中用户画像、item画像算是推荐系统的一种标配的数据，这些数据有些是通过算法训练获取，有的是直接原始数据抽取，说到这我想起我的同事问我的一个问题：画像模型达到最优了，那你如何平衡这个整个系统达到最优，实际上就是说局部最优和全局最优的问题？当时的我听到这个问题竟无言以对，留着给各位看客思考，评论区可以各抒己见。
推荐系统的主要框架由三个部分组成：数据特征处理、match、ranking。数据处理阶段即特征工程，而此时的特征工程在整个推荐系统中是一个组件，但与普遍意义上的特征工程有一定的差异就是：普遍意义上特征工程是对数据进行一系列的清洗、采样、统计分析等一系列处理，而此时的特征工程是在普遍意义上特征工程的基础上，采用了算法对item和user进行了相关属性的画像，这时可以理解为进行了特征的组合生成新的特征，这种做法一方面可以提高数据的聚合度，直接采用用户的行为数据，数据的离散度很高，通过画像的数据可以为用户推荐更加匹配的item。match是推荐系统中的粗排序，主要基于用户的搜索、历史和商品热门等等一系列数据产生的一个可能推荐列表，作为用户可能购买或点击的商品列表，下一步ranking则是基于match计算的可能推荐列表，对列表中的商品进行点击率的预估计算，而后通过对预估点击率的排序生成一个用户的实际推荐列表。下面是一个简单的示意图：

由图中也可发现，这并非严格意义上的推荐算法框架，而是一个流程框架图，在推荐系统的必须要涉及到的问题：实时计算，所以在这里小编就仅仅对推荐系统的整个设计的思路进行解释，而在后续会将其中每一个步骤进行剖析讲解。