在寫技術趨勢前，照例還是對推薦系統的巨集觀架構做個簡單說明，以免讀者迷失在技術細節中。
實際的工業推薦系統，如果粗分的化，經常講的有兩個階段。首先是召回，主要根據使用者部分特徵，從海量的物品庫里，快速找回一小部分使用者潛在感興趣的物品，然後交給排序環節，排序環節可以融入較多特徵，使用複雜模型，來精準地做個性化推薦。召回強調快，排序強調準。當然，這是傳統角度看推薦這個事情。
但是，如果我們更細緻地看實用的推薦系統，一般會有四個環節，--召回---粗排--精排--重排
實際的工業推薦系統，如果粗分的化，經常講的有兩個階段。首先是召回，主要根據使用者部分特徵，從海量的物品庫里，快速找回一小部分使用者潛在感興趣的物品，然後交給排序環節，排序環節可以融入較多特徵，使用複雜模型，來精準地做個性化推薦。召回強調快，排序強調準。當然，這是傳統角度看推薦這個事情。
如果我們換做上面的角度看待有個性化因素召回路，那麼在召回階段引入模型，就是自然而然的乙個拓展結果：無非是把單特徵排序，拓展成多特徵排序的模型而已；而多路召回，則可以通過引入多特徵，被融入到獨立的召回模型中，找到它的替代品。如此而已。所以，隨著技術的發展，在 embedding 基礎上的模型化召回，必然是個符合技術發展潮流的方向。
推薦系統實時推薦架構演進
離線推薦存量問題，在feed架構儲存的資料也有比較多，原有設計都是為了避免離線推薦資料消費完無資料可推薦，但這個對於業務的調整都沒感知，比如內容敏感下架，使用者興趣變化 推薦資料不足，離線推薦的資料會很快受到使用者的重新整理過量快速消費完，導致召回源資料不足，多樣性不夠，需要補充引擎 目前解決方式是...
推薦系統召回之userCF
通過計算使用者之間的相似度。這裡的相似度指的是兩個使用者的興趣相似度。假設對於使用者u uu和v vv，n u n u n u 指的是使用者u uu喜歡的物品集合，n v n v n v 指的是使用者v vv uu和v vv的相似度 w uv n u n v n u n v w frac wuv n...
推薦系統 召回 冷啟動
冷啟動問題主要分為兩類 這裡主要分享兩個演算法，乙個是利用使用者的註冊資訊進行冷啟動，乙個是利用物品本身資訊進行冷啟動。這裡主要利用使用者註冊時填寫的人口統計學資訊，如年齡 性別 職業 民族 學歷和居住地 獲取使用者的註冊資訊 根據註冊資訊對使用者進行分類 給使用者推薦他所屬那個分類中使用者喜歡的物...