本文介绍了App应用推荐系统的原理，包括离线训练和在线推荐两部分。离线训练通过用户行为数据构建训练集，使用逻辑回归模型计算物品相似性。在线推荐时，根据用户信息和模型实时计算推荐列表。此外，文章还讨论了冷启动问题及其解决方案。
App应用推荐原理：
根据用户历史下载的App去找到与这个App相似的app，推荐给该用户。如何找到与此App相似的app?这就需要基于所有用户的下载历史计算挖掘出基于物品相似的矩阵。
推荐架构：
一般在做推荐系统时使用的架构如下图，左侧为推荐系统在线推荐部分，右侧为推荐系统模型离线训练部分，另外最下层是实时数据与离线数据结合部分。过程如下：
- 离线部分：当用户访问application时，将用户的行为数据收集起来放入Hbase或者Hive中，基于此数据构建训练集，离线训练推荐系统模型，将训练好的模型参数保存到Redis或者模型文件中，待使用。
- 在线部分：当用户访问application时，根据用户的基本信息去数据库中拿到用户的最近行为数据，基于模型数据实时计算出用户的推荐列表。
App推荐系统架构：
离线训练&#
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
