算法工程师-推荐系统(2)

2 推荐系统介绍

2.1 推荐系统历史

1. 1994年，协同过滤被提出，也是最早的自动化协同过滤推荐系统
2. 1997年，推荐系统这个词被使用

2.2 原理

推荐引擎与传统搜索引擎不一样的地方就是，用户其实并不清楚自己的需求，或者他们的需求很难用简单的关键词来表述，又或者他们需要更加符合自身口味和喜好的结果，因此就出现了基于用户需求、口味、喜好的信息发现机制的推荐系统。

2.2.1 简单推荐系统元素

最简单的推荐系统流程如图所示，构成推荐系统的主要元素如下。
● 物品集合：要推荐物品或内容，例如商品、音乐、广告等。
● 用户：用户的基本信息、用户的行为、用户的兴趣爱好等。
● 场景：用户所处的环境，例如，网络环境、什么时间正在做什么等。
● 推荐引擎：根据用户对物品或者信息的偏好（包括用户对物品的评分、用户查看物品的记录、用户的购买记录等）与用户的画像数据进行拟合，学习得到什么样的用户会喜欢什么样的物品这样一个模型。
● 推荐结果集：这里是一个推荐结果或者一个推荐结果排序集合

其中推荐引擎中包含3个重要模块。

• 召回模块：根据用户和场景特征，从物品列表（上百万个物品）中挑选用户可能感兴趣的物品，通过多种召回方法进行组合召回，最终得到用户的候选物品集（几百或者上千个物品）。在召回模块中，一般使用简单的特征进行快速查询，比如，根据用户最近点击的物品召回相似物品、根据用户兴趣类目召回物品等。
• 排序模块：针对召回模块的候选物品集进行精排，根据用户的所有标签特征、物品的特征以及交叉组合特征，通过排序模型计算，得到用户对候选物品集的评分。排序模块使用的特征比召回模块复杂，目的是计算用户精确的预测值。
• 后排模块：后排也就是后置排序，在得到用户对候选物品集的评分结果后，如果不进行后排，将会按照评分从高到低下发给用户进行展示。通常这里需要对排序列表进行调整，比如运营干预、优先级调权、指定下发规则等。

召回模型

排序模型