编辑导语：跟着电子商务局限的不绝扩大、商品个数和种类快速增长，顾主需要耗费大量的时间才气找到本身想买的商品。这种欣赏大量无关的信息无疑会使沉没在信息过载问题中的消费者不绝流失。为办理这些问题，推荐系统应运而生。推荐系统成立在海量数据挖掘基本上，为用户提供本性化的决定支持和信息处事。本文作者通过23张图，带你入门推荐系统。

做告白业务1年多时间了，可是平时的事情主要和告白工程有关，焦点的告白算法由 AI 部分支持，对我们而言可以说是「黑盒般」的存在，只需要对练习好的模子举办挪用即可。

近期，我规划系统性地进修下告白中的搜索和推荐算法，虽然更多是从工程的视角去弄清楚：算法的根基道理、以及面临线上海量数据时算法是如何办理机能问题的？

整个进程，我会将有代价的技能点输出成系列文章。

这篇文章属于推荐系统的入门篇，本文暂不思量线上情况的海量数据，目标是先相识清楚推荐系统的根基组成，我会通过图解推荐算法以及措施demo的形式展开，内容包罗：

一、走进推荐系统的世界

“啤酒与尿布” 的故事相信许多人都听过，年青爸爸去超市购置尿布时，常常会买点啤酒犒劳本身。因此，沃尔玛将这两种商品举办了绑缚销售，最终得到了更好的销量。

“啤酒与尿布”的故事

这个故事背后的理论依据就是 “推荐算法”，因为尿布和啤酒常常呈此刻同一个购物车中，那么向购置尿布的年青爸爸推荐啤酒确实有必然原理。

1. 推荐系统到底办理的是什么问题？

推荐系统从20世纪90年月就被提出来了，可是真正进入公共视野以及在各大互联网公司中风行起来，照旧最近几年的工作。

跟着移动互联网的成长，越来越多的信息开始在互联网上流传，发生了严重的信息过载。因此，如何从浩瀚信息中找到用户感乐趣的信息，这个即是推荐系统的代价。精准推荐办理了用户痛点，晋升了用户体验，最终便能留住用户。

推荐系统本质上就是一个信息过滤系统，凡是分为：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大概感乐趣的物品推荐给用户。

推荐系统的分阶段过滤流程

2. 推荐系统的应用场景

那边有海量信息，那边就有推荐系统，我们天天最常用的APP都涉及到推荐成果：

资讯类：今天头条、腾讯新闻等

电商类： *** 、京东、拼多多、亚马逊等

娱乐类：抖音、快手、爱奇艺等

糊口处事类：美团、公共点评、携程等

社交类：微信、陌陌、脉脉等

头条、京东、网易云音乐中的推荐成果

推荐系统的应用场景凡是分为以下两类：

基于用户维度的推荐：按照用户的汗青行为和乐趣举办推荐，好比 *** 首页的猜你喜欢、抖音的首页推荐等。

基于物品维度的推荐：按照用户当前欣赏的标的物举办推荐，好比打开京东APP的商品详情页，会推荐和主商品相关的商品给你。

3. 搜索、推荐、告白三者的异同

搜索和推荐是AI算法最常见的两个应用场景，在技能上有相通的处所。这里提到告白，主要思量许多没做过告白业务的同学不清楚为什么告白和搜索、推荐会有干系，所以做下表明。

搜索：有明晰的搜索意图，搜索出来的功效和用户的搜索词相关。

推荐：不具有目标性，依赖用户的汗青行为和画像数据举办本性化推荐。

告白：借助搜索和推荐技能实现告白的精准投放，可以将告白领略成搜索推荐的一种应用场景，技能方案更巨大，涉及到智能预算节制、告白竞价等。

二、推荐系统的整体架构

推荐系统的整体架构

上面是推荐系统的整体架构图，自下而上分成了多层，各层的主要浸染如下：

数据源：推荐算法所依赖的各类数据源，包罗物品数据、用户数据、行为日志、其他可操作的业务数据、甚至公司外部的数据；

计较平台：认真对底层的各类异构数据举办清洗、加工，离线计较和及时计较；