推荐引擎模型架构和排序模型概述

排序模型

推荐引擎模型架构

推荐系统实践：
（1）解析请求：userid，request_itemid
（2）加载模型：加载model.w model.b
（3）检索候选集合：分别利用cb和cf去redis里面检索数据库，得到item-> item item item推荐候选（300=200+100）
（4）获得用户特征：userid
（5）获得物品特征：itemid
（6）打分（sigmoid），排序
（7）top-n截断
（8）数据包装，itemid->name，返回（10）

解释

​ 对指定用户进行推荐，这里我们必须明确两个重要的id，即userid和itemid。

​ 1，推荐引擎获得userid和itemid，从数据库进行召回，形成推荐item列表，假如说这里召回300个item：score。

​ 2，对于召回的item，我们通过基于内容和协同过滤的方式同时召回，而且这里召回的过程中有排序的过程，在这个阶段称之为粗排；但是此时两种不同方式召回的item可能存在重复，并且score不具有可比性；这个时候，就需要我们重新引入新的模型，按照统一的标准对召回的item重新打分、排序（这个阶段我们称之为精排），然后取数个item推荐给用户，假如这里取10个。

​ 3，需要注意的是，当我们召回300个item之后，我们得到的是这些item的itemid和对应的score，那么我们应该如何根据模型进行打分呢？这里可以通过外部数据库通过userid和itemid来加载物品特征数据和用户特征数据。然后交给排序模型打分，从而得出最终的已经排序的推荐列表。

后续未完，待整理。。。。