推荐系统

教程：

https://github.com/peiss/ant-learn-recsys

https://www.youtube.com/watch?v=FMN1e8Izyac&list=PLCemT-oocgalODXpQ-EP_IfrrD-A--40h&index=15

基本思路：

- 用户 喜欢 --> 物品 --> 相似 物品

- 用户 有相似兴趣的 --> 用户 --> 喜欢 --> 物品

- 用户 喜欢，具有 -- > 特性  <-- 包含 物品

推荐系统分类：

1.根据实时性

离线推荐 / 实时推荐

2.是否个性化

基于统计（热门） / 个性化推荐

3.根据推荐原则

基于相识度推荐

基于知识推荐

基于模型推荐

4.基于数据源分类

基于人口统计学推荐（用户）

基于内容推荐（物品）

基于协同过滤推荐（行为）

   -- 基于近邻协同过滤（相似度）

          ---基于用户

         --- 基于物品

 --  基于模型协同过滤

          ---奇异值分解 SVD

         --- 潜在语义分析 LSA

         --- 支持向量机  SVM

推荐系统评测指标

1.预测准确度 精确率 召回率

2.用户满意度

3.覆盖率

4.多样性

5.惊喜度

6.信任度

7.实时性

8.健壮性

9.商业目标

1、推荐系统包含哪些环节：

召回 --> 排序 --> 调整

2、召回路径：

推荐系统建议技术架构：

推荐系统分类：

基于内容的推荐系统：

基于协同过滤的推荐系统：

实现多路召回的融合排序：

实现AB测试：

实现内容相似推荐：

实现用户聚类推荐：

实现矩阵分解的推荐：

矩阵分解是协同过滤中基于模型的一种

解决物品冷启动问题：

极其重要的Embedding技术：

Python使用Faiss实现向量近邻搜索：

解决Embedding的性能问题   

推荐系统依赖的数据源与特征工程：

使用pyspark训练item2vec实现电影相关推荐：

item2vec的处理思路与word2vec一样

使用SparkALS矩阵分解实现电影推荐：

实现基于标签的推荐系统：

不涉及机器学习，只用到简单的统计

Tensorflow2实现双塔DNN排序模型：

推荐系统技能提升之论文阅读：

https://github.com/peiss/ant-learn-recsys/tree/master/recsys_papers

接入一个推荐系统需要哪些步骤：