推荐系统
-
系统职能：头条/抖音/快手，都是以推荐系统作为流量的分发的主要手段；
-
职业发展：大数据处理/流式计算/数据挖掘/机器学习/高并发服务等领域。
-
更具用户的离十信息和行为，向用户推荐他感兴趣的内容
-
基于行为的协同过滤
-
基于内容相似推荐
-
推荐系统 - 包括那些环节
挑战：怎么从海量的内容中，挑选出用户感兴趣的条目，并且满足系统的50ms~300ms的低延迟要求
找回路径
推荐系统中常见的名词：i2i/u2i/u2i2i/u2u2i/u2tag2i，这些叫做推荐的召回路径。
- U2I：来源于用户的直接行为，比如播放/点击/购买等
- I2I：内容相似，协同过滤关联规则挖掘等
- U2I2I：基于item的协同过滤货先到先用户的行为列表，然后查找I2I做扩展
- U2U2I：基于用户的协同过滤，用户画像相似然后推荐，用户聚类推荐
- U2Tag2I：先算出用户的tag偏好，然后匹配item列表
Netflix 经典的推荐系统架构
- 挑战：架构既能处理海量数据，又能及时响应用户交互
- 在线层：
- 特点：快速响应，使用最新的数据输入，比如200ms
- 缺点：不能使用复杂的算法，只能读取少量数据
- 离线层：
- 特点：大部分数据包括模型训练都在这一层
- 优点：可以采用复杂的算法，扫描海量的数据
- 缺点：不能对最新的情景和新数据做响应，比如天粒度
- 近线层：
- 特点：离线和在线的折中，一般将结果存入高速缓存
- 优点：能使用几乎最新的数据计算，延迟10秒~1分钟级别；允许更复杂的算法处理，加载查询耕更多数据
- 组合使用的例子
1、天粒度：离线层做矩阵分解，得到用户向量和物品向量做数据存储到Mysql
2、10秒钟：近线层根据用户行为，查询TopN相似的物品列表，存入Cassandra
3、200毫秒：在线层查询的第儿步骤的结果，更新推荐列表
如何实现一个基于内容的推荐系统（Content-Based Recommendations)
协同过滤的推荐系统
使用行为数据，利用集体智慧推荐
推荐系统如何实现多路找回融合排序
如何实现AB测试
如何实现内容的相似推荐
这里有好东西！这里有好东西！这里有好东西！ 中文英文的embedding向量
https://ai.tencent.com/ailab/nlp/zh/index.html
https://ai.tencent.com/ailab/nlp/en/embedding.html
矩阵分解的协同过滤
Python 使用Faiss实现向量的近邻搜索
文章来源：https://www.toymoban.com/news/detail-499399.html
文章来源地址https://www.toymoban.com/news/detail-499399.html
到了这里，关于推荐系统学习的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
