推荐系统--入门篇

　　推荐系统领域，常见两种推荐任务，一种是评分预测，一种是Top-N原则

　　评分预测：

　　　　以下是两个用户对喜好的打分情况

User	Item	Rating
U1	羽毛球	4
U1	足球	3
U2	羽毛球	5
U2	?	?

　　　　由上图可得：U1和U2都喜欢羽毛球，并且喜爱的程度不低，那么我们可以推出U1和U2具有相同的爱好，因此我们就可以将足球推荐给U2,这就是评分预测大致的过程。

　　Top-N原则：

　　　　以下是三个用户对物品的喜好情况

User	Item
U1	羽毛球，足球，排球
U2	足球，排球，篮球
U3	足球

　　上图是U1和U2喜爱的兴趣爱好进行Top-N排名，那么接下来我们给U3进行推荐，上图U2的排名足球排第一，证明U2和U3有相同的兴趣爱好，所以现在先推荐U2 的排球，蓝球给U3，再推荐U1的羽毛球给U3 ，因此给U3 的推荐列表为排球，篮球，羽毛球。

　　　　上述二者为推荐领域的两大推荐问题，常用Top-N。

　　推荐系统流程图：

 

　　上述推荐系统流程梳理：

1.首先用户登录某一个网站比如（优酷），点击需要看的视频内容，如《刘德华的电影》。

2.点击的内容传递给推荐引擎， 引擎会根据Top-N原则【中间经历了很多筛选受地域，政策，排序等等的影响，最终这5个精品才能展示在用户面前】返回有限的物品列表，推荐引擎的物品可能是自身算的或NoSQL数据库返回的。

3.这里注意会有一个很大的物品元数据管理，先将物品元数据经过正排然后倒排行为key为token,value 为item:score1 item2:score2 item3:score3

4.将第三步看K,V键值对插入Nosql索引数据库。

5.这里的NoSQL索引数据库有一个召回的过程：我们将NoSQL索引数据库称为Signal【信号源】并且库中的数据已经经过排序。

不同的NoSQL的数据可能采用不同的算法有CB算法，CF算法，ALS算法。在库中的过程称之为粗排。

召回的目的：a.获得更多的物品候选

筛选的目的：a.过滤掉比较差的物品（和当前推荐场景距离较远的）

6.用户点击的内容给推荐平台时，平台自身有一个分词服务，这里如会将《刘德华的电影》 进行切分并且打分如  刘德华：0.6 电影：0.4

7.然后将切分的词去检索NoSQL索引数据库 ，这时可能检索比如返回1000个候选物品，但是只能展示前5个。

8.这时返回1000个候选物品，给推荐引擎里存在的排序模型【理解为最权威的裁判】：

  a.这时会进行一个去重的逻辑，因为在各个数据库是去重的，但是从各个索引库返回的可能重复。

  b.进行精排

9.根据Top-N原则展示排名前5个的物品进行推荐。