推荐系统术语字典

召回

召回的工作流程及其细节：

1. 用户特征和物品特征的提取

用户特征：包括用户的显式反馈（如评分、评论）、隐式反馈（如浏览、点击、停留时间）、人口统计信息（年龄、性别、地理位置）等。

物品特征：包括物品的标题、描述、类别、标签、价格、销量等信息。

2. 构建索引

正排索引：按照物品ID存储物品的所有特征信息。

倒排索引：根据物品的特征（如类别、标签等）建立索引，每个特征对应一个包含相关物品ID的列表。

3. 召回策略的选择

召回阶段可以采用多种策略，常见的有：

基于内容的推荐：利用用户过去的行为数据和物品的内容信息，找出与用户已知喜好相似的物品。

协同过滤：分为用户-用户协同过滤和物品-物品协同过滤。前者是找到与目标用户行为相似的其他用户，推荐他们喜欢的物品；后者是根据用户历史行为，推荐与其已知喜好物品相似的其他物品。

基于模型的方法：如矩阵分解、深度学习模型等，通过训练模型来预测用户对未见过物品的兴趣度。

混合推荐：结合以上多种方法，综合利用不同算法的优点。

4. 应用召回策略

匹配用户兴趣：根据用户特征，从倒排索引中查找相关的物品ID列表。

生成候选集：通过交集、并集等操作，整合来自不同召回策略的结果，形成一个综合的候选集。

去重：去除候选集中重复的物品，以及用户已经消费过的物品。

5. 初步筛选

规则过滤：应用一些业务规则来过滤掉不符合条件的物品，如价格过高、库存不足等。

多样性增强：确保候选集具有一定的多样性，避免推荐过于单一。

6. 排序

打分：为每个候选物品计算一个预测得分，反映用户对该物品的兴趣程度。<