個性化推薦系統架構

Personal Recommendation Algorithm / PRA

機器學習 / AI

個性化推薦系統

RPC

1. 召回 Match
2. 排名 Rank
3. 策略調整 Strategy

基於模型(召回, 排名)
基於規則 (策略調整)

1. 召回是瓶頸，返回數據集合

2. 排名是關鍵，按照業務模型排序

3. 策略調整是優化，加入人工干預規則

工業界，常用召回架構方式

召回架構， 分為兩大類型

1. 離線模型

根據用戶行為計算出推薦結果

推薦結果可以分為幾種

1. 給 user 算出固定的推薦的 items 的集合
2. 計算出 items 之間的相似度
3. 計算出具有某種特定 label 的items 的排序，

排序文件直接寫入 KV 的存儲中
當用戶訪問時候，recall 直接從 KV 中讀取

存儲的只是 item id，還要使用 item id 請求 detail server 中的獲取 item 詳情

然后 recall 將詳情拼好，再傳遞給 rank

2. 深度學習模型

item 側的 embedding 的向量也是需要離線存儲到 KV 中

用戶訪問時，需要訪問我們的在線深度學習的模型服務，
來完成 user 側的 embedding
同時將 user 的 embedding 向量 與 item 的 embedding 向量做最近鄰的計算， 並得到召回

推薦系統

推薦系統如何根據已有的用戶畫像和內容畫像去推薦，涉及到兩個關鍵問題：召回和排序。

召回

“召回（match）”指從全量信息集合中觸發盡可能多的正確結果，並將結果返回給“排序”。

refs

https://www.imooc.com/video/17671

https://www.imooc.com/video/17114

機器學習

https://zhuanlan.zhihu.com/p/115690499

https://zhuanlan.zhihu.com/p/114703091

http://www.woshipm.com/pd/2051274.html

https://www.infoq.cn/article/0gMqHYrh0gUrukaP92U1

分類 (Classification)：精確率和召回率

https://developers.google.com/machine-learning/crash-course/classification/precision-and-recall?hl=zh-cn

---

---

©xgqfrms 2012-2020

www.cnblogs.com 發布文章使用：只允許注冊用戶才可以訪問！

---