1. 推荐系统

1.1 推荐系统的意义

• 在信息过载的情况下，主动在人与信息之间建立高效的连接

1.2 推荐系统是怎么运行的

• 给 item 打标签，建立倒排索引

• 根据 user 喜好的标签，召回 item 并排序

• 曝光 / 点击记录日志，更新推荐系统

  • 更新用户的喜好

  • 更新 item 质量

1.3 推荐系统架构

• 功能架构

  • 召回 1M：无交叉信息，多路召回

  • 粗排 10k：无交叉信息，离线计算+在线缓存

  • 精排 1k：提升预测精度

  • 重排 x0：相似内容打散

• 数据架构：Lambda 架构

  • 离线层：批量计算，HDFS

  • 近线层：缓存结果，KV 数据库

  • 在线层：流式更新，Flink

1.4 推广搜的区别和联系

• 相同点

  • 功能架构：召回 + 排序

  • 数据架构：Lambda 架构

  • 算法相似，需要个性化

• 推荐 vs. 搜索

  • 表达意图方式：$F_{search}(t|q,u)$，$F_{recommend}(t|u)$

  • 搜索对结果的准确性要求更加严格，对扩展性的容忍程度低

• 推搜 vs. 广告

  • 推搜优化使用体验，广告将流量变现（用户、广告主、平台三方利益）

  • 推搜目标即时完成，广告目标更深层次的转化

  • 推搜相对准确性，广告绝对准确性（修正、校准）

  • 广告候选集小