第一章 互联网增长引擎——推荐系统

1.1 为什么推荐系统是互联网的增长引擎

1.1.1 推荐系统的作用与意义

推荐系统存在的作用和意义可以从用户和公司两个角度进行阐述。

• 用户角度：推荐系统解决在“信息过载”的情况下，用户如何高效活动感兴趣信息的问题。
• 公司角度：推荐系统解决产品能够最大限度地吸引用户、留存用户、增加用户黏性、提高用户转化率的问题，从而达到公司商业目标连续增长的目的。

推荐系统要处理的是“人”和“信息”的关系，即 user 与 item 间的关系。

1.2 推荐系统的架构

信息：

• user信息
• item 信息
• 上下文信息：在具体的推荐场景中，用户的最终选择一般会受时间、地点、用户的状态等一系列环境信息的影响，也称为”场景信息“

1.2.1 推荐系统的逻辑框架

1.2.2 推荐系统的技术架构

• 数据和信息相关的问题：即“用户信息”、“物品信息”、“场景信息”分别是什么？ [1] 如何存储、更新和处理？ 阐述 user info item info
• 推荐系统算法和模型相关的问题，即推荐模型如何训练、如何预测、如何达成更好的推荐效果？

推荐系统的技术架构如下图所示：
推荐系统的数据部分负责数据收集与处理的三种平台按照实时性的强弱排序，依次为[2] “客户端及服务器端实时数据处理”、“流处理平台准实时数据处理”、“大数据平台离线数据处理” 。在实时性由强到弱递减的同时，三种平台的海量数据处理能力则由弱到强。一个成熟的推荐系统的数据流系统会将三者取长补短，配合使用。

模型的训练方法根据模型训练环境的不同，分为[3] “离线训练” 和“在线更新” 两部分：

• 离线训练的特点是可以利用全量样本和特征，使模型逼近全局最优点
• 在线更新则可以准实时地“消化”新的数据样本，更快地反映新的数据变化趋势，满足模型实时性的需求。

红色
绿色