个性化推荐系统-实时召回模型

背景

目前，已经验证了离线推荐模块，该模块基于历史数据提取特征并聚合相似度计算、基于用户的协同过滤、ALS等算法模型，为用户预先筛选并召回了大量可能感兴趣的items。
然而，随着用户行为的日益多样化和实时性的增强，仅仅依赖离线推荐已难以满足用户对即时性和个性化的更高需求。

因此，需要一个实时推荐模块，以实现对用户兴趣变化的即时捕捉和响应。这个模块将紧密集成到现有的推荐系统中，通过实时分析用户对items的评分、点击、浏览等互动行为，动态调整推荐策略。

需求

当用户对某个item进行评分后，系统会立即评估该评分对用户整体兴趣偏好的影响，并据此执行以下操作：

• 精准删除：对于用户已明确表达不感兴趣（如低分评价）或已充分探索（如高分但多次查看）的items，系统将从召回数据仓中精准删除这些items的推荐数据，避免用户再次看到不感兴趣的内容，从而提升推荐列表的相关性和新鲜感。
• 智能添加：基于用户的实时评分和互动行为，系统将预测用户可能感兴趣的新items，并将这些items的数据添加到推荐列表中。这。

实现

步骤 1: 设计实时推荐逻辑

• 基于用户的最新评分，更新推荐模型。
• 使用协同过滤、基于内容相似度的推荐等算法。
• 定义评分阈值
  点赞、收藏和转发都是布尔值（即0或1），这些行为本身就具有很强的指示意义
  权重设置