机器学习-关于推荐的一点思考

推荐系统的目标是在什么时间，什么地点，用户想看到什么。

 

推荐的过程大概就是recall、rank

但是细节会很多，比如

recall具体来说怎么做？recall依赖那些东西（特征，统计量），需要为这些统计量做一个服务。

rank具体会用到哪些特征？

模拟一下数据流程

某用户在app端下拉，请求20条新数据

1. 后端收到请求，开始从候选池里面recall，候选池肯定不能是全量数据，候选池的数据怎么构造？最近三天的数据+最近5天点击率最高的数据+。。。

2. 假设候选池中有100w条数据，那么根据用户画像标签（画像怎么算）*内容标签，地点，时间，热度等，用什么模型recall？

3. recall完得到1000条数据，然后利用排序模型，根据文章特征，对文章进行排序。取排序前20条的数据，返回给客户端。

 

根据以上分析，有下面这几个关键点需要做。

recall模型

 

用户画像

 

内容画像

 

高性能统计服务

 

排序模型

 

模型的实时更新

 

用户行为日志-特征

timestamp，uid，aid，收藏，点击，浏览，评论，页面停留时间