推薦系統系列 1 系統架構

最近開始學習推薦系統, 在這裡做個記錄, 會更新如下內容:

推薦系統協同過濾與矩陣分解

推薦系統與深度學習

embedding在推薦系統中的應用

多角度審視推薦系統

推薦系統工程實現

推薦系統評估

推薦系統前沿

該系列內容是參考王喆的深度學習推薦系統和深度學習推薦系統書籍整理的,作為自己的學習筆記.

推薦系統要解決的問題就是在資訊過載的情況下，使用者如何高效獲取感興趣的資訊。

從根本出發，推薦系統就是處理人與資訊之間的關係問題，也就是基於人和資訊，構建出乙個找尋感興趣資訊的方法。

此外在具體的推薦場景下，使用者的最終選擇一般會受到時間、地點、使用者狀態等一系列環境資訊的影響，這些環境資訊又可以被稱為「場景資訊」或者「上下文資訊」。

基於上面的資訊的定義，推薦系統要處理的問題就是可以被形式化地定義為：對於某個使用者u(user)，在特定場景c(context)下，針對海量的「物品」資訊構建乙個函式，**使用者對特定候選物品i（item）的喜好程度，再根據喜好程度對所有候選物品進行排序，生成推薦列表的問題。

在實際推薦系統中該，工程師需要將抽象的概念和模組具體化，工程化。

我們可以將這兩類問題，分為2部分：」資料和資訊「部分，逐漸發展成為推薦系統中融合了資料離線批處理、實時流處理和資料流框架；」演算法和模型「部分則進一步細化為推薦系統中訓練、評估、部署、線上推斷為一體的模型框架，具體如下圖：

生成推薦模型所需的樣本資料，用於演算法模型的訓練和評估。

生成推薦模型服務（model serving）所需的特徵，用於推薦系統線上推斷。

生成系統監控、商業智慧型（business intelligence,bi）系統所需的統計型資料。

可以說，推薦系統的資料部分是整個推薦系統的「水源」，只***資料持續、乾淨，才能不斷地滋養推薦系統，使其高校運轉。

深度學習對於推薦系統的革命