06-短链系统

很多APP应用，会经常推荐一些商品给我们，什么猜你喜欢，重点推荐等业务。

推荐系统本质上就是一个信息过滤系统，通常分为：召回、排序、重排序这3个环节。

• 每个环节逐层过滤，最终从海量的物料库中筛选出几十个用户可能感兴趣的物品推荐给用户。

应用场景

基于用户维度的推荐：

• 根据用户的历史行为和兴趣进行推荐。
  • 比如淘宝首页的猜你喜欢、抖音的首页推荐等。

基于物品维度的推荐：

• 根据用户当前浏览的标的物进行推荐。
  • 比如打开京东APP的商品详情页，会推荐和主商品相关的商品。

搜索、推荐、广告异同

搜索：

• 有明确的搜索意图，搜索出来的结果和用户的搜索词相关。

推荐：

• 不具有目的性，依赖用户的历史行为和画像数据进行个性化推荐。

广告：

• 借助搜索和推荐技术实现广告的精准投放，可以将广告理解成搜索推荐的一种应用场景。

推荐系统架构


通过在终端进行埋点，收集用户行为日志，存储到大数据平台。

集合业务数据，收集用户偏好行为数据，如：收藏、点赞、评论等，存储到大数据平台。

基于大数据平台的数据，通过一些算法对数据进行分析，得到一个训练模型。

通过训练出来的模型，就可以获得相关的推荐数据。

把获得的推荐数据保存到MySQL/Redis等持久化工具中。

推荐算法

基于用户的协同过滤算法(UserCF):

需要找到和他们看了同样书的其他用户，然后给他们推荐那些用户喜欢的其他书。

• 也就是从用户共性出发。

基于物品的协同过滤算法(ItemCF):

本质从商品角度出发，需要给他们推荐和他们已经看的书相似的书。