个性化推荐系统架构

个性化推荐系统架构 机器学习 AI Personal Recommendation Algorithm / PRA

个性化推荐系统架构

Personal Recommendation Algorithm / PRA

机器学习 / AI

个性化推荐系统

RPC

2. 召回 Match
3. 排名 Rank
4. 策略调整 Strategy

基于模型(召回, 排名)

基于规则 (策略调整)

2. 召回是瓶颈，返回数据集合
3. 排名是关键，按照业务模型排序
4. 策略调整是优化，加入人工干预规则

工业界，常用召回架构方式

召回架构， 分为两大类型

2. 离线模型

根据用户行为计算出推荐结果

推荐结果可以分为几种

2. 给 user 算出固定的推荐的 items 的集合
3. 计算出 items 之间的相似度
4. 计算出具有某种特定 label 的items 的排序，

排序文件直接写入 KV 的存储中

当用户访问时候，recall 直接从 KV 中读取

存储的只是 item id，还要使用 item id 请求 detail server 中的获取 item 详情

然后 recall 将详情拼好，再传递给 rank

3. 深度学习模型

item 侧的 embedding 的向量也是需要离线存储到 KV 中

用户访问时，需要访问我们的在线深度学习的模型服务，

来完成 user 侧的 embedding

同时将 user 的 embedding 向量 与 item 的 embedding 向量做最近邻的计算， 并得到召回

推荐系统

推荐系统如何根据已有的用户画像和内容画像去推荐，涉及到两个关键问题：召回和排序。

召回

“召回（match）”指从全量信息集合中触发尽可能多的正确结果，并将结果返回给“排序”。