目前，推薦系統廣泛應用於電商、信息流和地圖。工業級推薦系統架構一般以召回+推薦作為大框架。其中，以算法區分，如下圖所示。
離線/線上指標如下圖所示：
個性化召回算法是根據用戶的屬性行為上下文等信息從物品全集中選取其感興趣的物品作為候選集，召回決定了最終推薦結果的天花板。
個性化召回分為以下幾類：
- 基於用戶行為的
- 基於user profile的
- 基於隱語義的
以算法為例，有以下算法：
- CF
- LFM
- Personal Rank
- Item2vec
- Content Based
個性化排序算法是將個性化召回的物品候選集根據物品本身的屬性結合用戶的屬性，上下文等信息給出展現優先級的過程。
工業界推薦系統中一般采用粗排序->主排序->重排序的過程。
主排序分為以下幾類：
- 單一的淺層模型
- 淺層模型的組合
- 深度學習模型
以算法為例，有以下算法：
- xgboost
- gbdt+lr
- wide and deep
下面，會分別記錄其算法主要實現思路和過程。