1 推荐系统概述

1 推荐系统的意义

信息生产者（平台方） -> 平台（推荐系统） <- 消费者（用户）

平台方

1. 平台方为信息生产者提供物品展示位置，然后吸引用户来平台寻找感兴趣的物品。“流量”的产生：对商家物品的展示，用户的浏览、观看、下单等行为。
2. 推荐系统改变了传统电商的树状拓扑结构，变成了更容易让流量流通的网络拓扑结构，给每个商品增加了如何和展示机会。如，传统的需要按照每个大类、小类一个个点击去筛选物品；而推荐系统则直接提供个性化推荐，让你直达感兴趣的商品。
3. 推荐系统：最大限度吸引用户、留存用户、增加用户粘性、提高用户转换率，达到平台商业目标增长的目的。如（视频平台）点击率、完播率、内置广告点击率；（购物平台）商品点击率、用户转换率：点击->购买。

信息生产者（物品）

1. 物品的长尾性和二八效应严重，需要推荐系统挖掘出那 80% 的长尾物品，推荐给有需要的用户。
2. 推荐系统对长尾物品的曝光，对信息生产者（如视频平台的作者、商家）也是一种激励。
3. 推荐系统的匹配需求和供给能力也成为衡量一个平台的重要标准，决定了该平台的商业价值。

信息消费者（用户）

提高用户体验（基本+惊喜）：满足目标明确用户的基本要求，给没有明确需求用户以惊喜推荐。最终都可能提高平台的转换率。

推荐和搜索的区别

2 推荐系统架构

系统架构

推荐系统架构，从数据驱动角度，可以分为如下三层：

• 离线层：不用实时数据，不提供实时响应（批量完成，对数据量和算法复杂度限制少）；
• 近线层：使用实时数据，不保证实时响应；
• 在线层：使用实时数据，保证实时在线服务（和用户交互，有实时性要求，限制算法复杂性和处理数据量）；

网飞的设计架构如下图：

整个数据部分是一整个链路，包括三块：

• 客户端及服务器实时数据处理： 记录用户行为，如看了哪些内容、和哪些内容交互，停留时间，使用设备，发生时间等（通过埋点）。
• 流处理平台准实时数据处理：记录一些准实时数据，如用户行为数据。
• 大数据平台离线数据处理：一些数据操作。

这三个模块具体来说，

• 离线层，
  1. 数据处理
  2. 特征工程、离线特征计算
  3. 离线模型的训练
• 近线层
• 在线层，面向用户，需要考虑响应时延；用户请求发送到在线层，在线层快速返回结果
  1. 模型在线服务，包括快速召回和排序
  2. 在线特征快速处理拼接：：根据传入的用户ID和场景，快速读取特征和处理
  3. AB实验或者分流：根据不同用户采用不一样的模型，比如冷启动用户和正常服务模型；
  4. 运筹优化和业务干预：比如要对特殊商家流量扶持、对某些内容限流；

算法架构

• 召回
• 粗排
• 精排
• 重排

3 推荐系统技术栈

算法

架构： 物料库 -> 召回 -> 粗排 -> 精排 -> 重排

• 召回：要求轻量低延迟，量大（多采用多路召回）
• 粗排：精排前过滤，兼顾精准性和低延迟
• 精排：对粗排结果的候选集进行打分和排序，要在最大时延允许下保证打分的精准性
• 重排：基于运营策略、多样性、上下文重新进行微调
• 混排：多个业务都想在 feed 流上曝光，则需要混排。如推荐流中插入广告（基于规则策略，例如广告定坑）、视频流汇总插入图文（强化学习）

画像层

物料库：如何绘制一个用户画像和商品画像。用户画像：关于年龄、爱好等。商品画像：形式多样，如一个内容画像的内容理解可以包含，通过内容本身理解、通过用户理解。

其中涉及到技术包括：

• 文本理解
• 关键词标签
• 内容理解
• 知识图谱

召回/粗排

多路召回

• 考虑用户层面
• 考虑系统层面
• 系统多样性内容分发
• 可解释性推荐一部分召回是有明确推荐理由的

其中涉及到的技术包括：

• 经典召回模型
• 序列召回模型
• 用户序列拆分
• 知识图谱
• 图模型

精排

其中涉及到的技术包括：

• 特征交叉模型
• 序列模型
• 多模态信息融合
• 多任务学习
• 强化学习
• 跨域推荐

重排序

经典算法有：MRR、DPP、RNN 等

工程

• 语言：python 、 C++、Java
• 机器学习框架：Tensorflow、Pytorch
• 数据分析工具：Pandas、Hadoop、Spark

参考文献：

1. FunRec 第一章推荐系统概述