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
- 召回 Match
- 排名 Rank
- 策略调整 Strategy
基于模型(召回, 排名)
基于规则 (策略调整)
-
召回是瓶颈,返回数据集合
-
排名是关键,按照业务模型排序
-
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
- 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
- 给 user 算出固定的推荐的 items 的集合
- 计算出 items 之间的相似度
- 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
- 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”。
refs
https://www.imooc.com/video/17671
https://www.imooc.com/video/17114
机器学习
https://zhuanlan.zhihu.com/p/115690499
https://zhuanlan.zhihu.com/p/114703091
http://www.woshipm.com/pd/2051274.html
https://www.infoq.cn/article/0gMqHYrh0gUrukaP92U1
分类 (Classification):精确率和召回率
https://developers.google.com/machine-learning/crash-course/classification/precision-and-recall?hl=zh-cn
©xgqfrms 2012-2020
www.cnblogs.com 发布文章使用:只允许注册用户才可以访问!