推薦系統簡介
計算原理
我們把每個使用者/影片表示成空間中的一個點。
如果兩個點越接近，就認為這個使用者對這個影片的喜歡程度越高，反之越低。
使用者點贊這個影片就拉近兩點，沒點贊就拉遠兩點的距離。這樣就組成了整體推薦系統
推薦系統流程
從海量影片中召回使用者感興趣的影片，經過粗排模型初步篩選使用者最感興趣的幾百條影片，分數最高的前幾百，然後透過效果更好的精排模型再計算一遍分數，之後應用一些業務規則插，打散，送入系統混排廣告，最後返回給使用者。
名詞介紹
候選/物料庫
從一堆候選品中選擇一些物品給使用者，滿足使用者不明確的需求，候選品的數量很大，百萬千萬甚至是億萬級別。
候選集是一個龐大的，集海量物品為一體的大倉庫。推薦系統的上限受制於候選量級的數量。
召回
- 難點：召回作用的物件是候選集，由於候選量巨大，召回所面臨的壓力也是巨大的，特別是時延方面
- 數量級：從千萬，億級別的候選中粗篩，產出萬餘條資料
- 作用：縮小候選集，縮小提供給使用者的範圍，從候選商品中進行粗篩，透過簡單的模型篩選出幾百到幾十件商品
- 特點：資料量大，模型簡單，響應快，使用的特徵量少
排序
- 粗排：對召回結果進行排序，topK送入精排。粗排的打分量遠遠高於精排，大概是1w條。
- 精排：最純粹的排序，機器學習模組。目標只有一個，就是找到最準確的預測
- 重排：業務排序層，機器學習返回的排序不一定完全符合業務要求，還要兼顧結果的多樣性，流行度，新鮮度等指標，然後還要插入廣告，用來對當前排序好的結果根據業務偏好再次排序。提權，打散，隔離，強插