推荐系统流程

1、用户调研：

​ 新用户：兴趣未知，着重多样性

​ 对策：注册时尽量让用户填写人口统计学数据；让用户自己填写选择标签。

​ 老用户：兴趣已知，着重个性化

​

2、推荐需要根据类别来

​ 内容推荐以用户兴趣为主

电商推荐以价格、品牌为主

​ 购买频率较少的类别：房、车、装修以专家推荐和互补推荐为主

3、推荐在哪里展示

​ 个性化首页、商品详情页面、用户个人页面、购物车页面、评论区页面

4、用户行为的设计

​ 有喜欢、反对、星级打分（十分还是五分）、收藏、评论等行为可供用户。这部分需要考虑用户体验，如何提高用户反馈率。

5、系统评测

​ 用户点击率、转换率、单次使用时长、重复使用率、也可以将用户分成a和b组分别用不同的推荐系统，然后对比。

1、数据的获取

2、特征工程：平滑化、归一化、异常值和缺失值的处理

3、算法和模型的选择

4、预测、A/B测试、调优

推荐系统在技术实现上一般划分为三个阶段：挖掘、召回、排序。

1、挖掘的工作就是对用户和物品做非常深入的结构化分析，各个角度各个层面的特征都被呈现出来，并且建好索引，供召回阶段供召回阶段使用，大部分挖掘工作都是离线进行的。

2、接下来就是召回，为什么会有召回？因为物品太多了，每次给一个用户计算推荐结果时，如果对全部物品挨个计算，那将是一场灾难，取而代之的是用一些手段从全量的物品中筛选出一部分比较靠谱的。召回集可以从多种模型中得到汇总。但是有个问题：每种算法给出结果时如果有分数，分数的范围不一定一样，所以不能互相比较，大家各自家庭背景不一样；即使强行把所有分数都归一化，仍然不能互相比较，因为产生的机制不同，有的可能普遍偏高，有的可能普遍偏低。所以需要进行排序。

3、最后就是排序，针对筛选出的一部分靠谱的做一个统一的论资排辈，最后这个统一的排序就是今天要讲的主题：融合。