1. 技术架构

基本定义：
物品信息：视频信息、物品信息、新闻信息等；
用户信息：历史行为、人口属性、关系网络等；
场景信息：又称上下文信息。用户的最终选择一般会受时间、地点、用户的状态等一系列场景信息的影响。
推荐系统要解决的根本问题：
简单化定义：在“信息过载”的情况下，用户如何高效获取感兴趣的信息。
形式化定义：对于某个用户U（User），在特定场景C（Context）下，针对海量的“物品”信息构建一个函数，预测用户对特定候选物品i（Item）的喜好程度，再根据喜好程度对所有候选物品进行排序，生成推荐列表的问题。
推荐系统逻辑架构图：
工程师要解决的两类问题
~1. 数据和信息问题：“用户信息”，“物品信息”，“场景信息”分别是什么？如何存储、更新和处理？该部分逐渐发展为：推荐系统中融合了数据离线批处理、实时流处理的数据流框架；
~2. 算法和模型问题：模型如何训练、预测，以及如何达成更好的推荐效果？该部分则进一步细化为推荐系统中，集训练（Training）、评估（Evaluation）、部署（Deployment）、线上推断（Online Inference）为一体的模型框架。
技术架构图：
基于上述两类问题，推荐系统的技术架构图如图所示：
第一部分：数据部分
~1. 负责“用户”、“物品”、“场景”信息的收集与处理。根据数据量和实时性划（实时性由强到弱/海量数据处理能力由弱到强）分为三种数据处理方式，成熟的推荐系统会将三者取长补短。例如：Spark 离线数据处理，Flink 准实时数据处理等。
~2. 大数据计算平台通过对推荐系统日志，物品和用户的元数据等信息的处理，获得了推荐模型的训练数据（模型训练与评估）、特征数据（线上推断）、统计数据（监控系统）等。
第二部分：模型部分
~1. 模型的结构一般由“召回层”、“排序层”以及“补充策略与算法层”组成:
召回层：一般由高效的召回规则、算法或简单的模型组成，这让推荐系统能快速从海量的候选集中召回用户可能感兴趣的物品。
排序层：利用排序模型对初筛的候选集进行精排序。
再排序层，返回给用户推荐列表之前，为兼顾结果的“多样性”、“流行度”、“新鲜度”等指标，结合一些补充的策略和算法对推荐列表进行一定的调整，最终形成用户可见的推荐列表。

~2. 模型的训练方法根据环境的不同，可以分为“离线训练”和“在线更新”两部分：
离线训练：利用全量样本和特征，使模型逼近全局最优点；
在线更新：准实时地“消化”新的数据样本，更快地反应新的数据变化趋势，满足模型实时性的需求。

~3. 推荐系统的模型部分还包括“离线评估”和“线上 A/B 测试”等多种评估模块，用来得出线下和线上评估指标，指导下一步的模型迭代优化。
革命性体现
深度学习对于推荐系统的革命集中在模型部分，体现在3点：
~1. 深度学习中 Embedding 技术在召回层的应用；
~2. 不同结构的深度学习模型在排序层的应用；
~3. 增强学习在模型更新、工程模型一体化方向上的应用；