打开淘宝，首页内容会给你推荐很多商品，这些商品有的是你曾经浏览过、类似的物品，有些是你可能潜意识里有过的物品，于是你不断的刷着淘宝，不断的点进去看，不断的买买买。打开抖音，首页推荐了很多视频，或许是你的亲人同学同事相关内容，或许是美食旅游帅哥美女搞笑，但都有一个特点，你很感兴趣，你停不下来看的节奏。

打开美团，首页给你推荐了很多美食，单是火锅，就有好吃的、距离你最近的、最便宜的，再到其它的奶茶等等，于是你就不断的查看挑选，最终选择了最心仪的店铺与美食。

打开今日头条，首页同样会给你推荐很多内容，小红书、知乎、腾讯新闻、微博等，似乎它们展示的内容差不多你都感兴趣，好像很懂你的心，最终让你付出了时间、精力、金钱的成本。那么它们背后的推荐系统到底是怎么实现的呢？

推荐系统包含两类，基于人和基于物的推荐。所谓基于人的推荐就是根据用户的历史行为、兴趣爱好推荐，比如在淘宝你最近浏览了Nike的运动鞋，那么再次打开就会给你推荐Nike的运动鞋、阿迪的运动鞋。所谓基于物的推荐就是根据正在浏览商品的推荐，比如你在淘宝正在浏览Nike的运动鞋，划到底部时会给你推荐同款或不同颜色型号的运动鞋。要做推荐系统，除了系统本身之外，有两大不可或缺的因素：海量数据、人工智能算法。


在推荐系统中包含数据排序层、融合过滤层、召回层、数据存储层、计算平台层、数据源，数据排序层则是根据人工智能算法，筛选出更精准的推荐内容给到用户，如LR（Logistic Regression）逻辑回归算法、DeepFM（DeepFactorizationMachine）算法将特征数据组合给到用户；过滤层就是将召回层基于不同规则召回来的数据进行融合过滤，召回层就是通过各种推荐策略，如基于内容将数据获取回来，数据存储层就是将清洗后的用户数据使用Hbase、MongDB等大数据库存储起来，计算平台层就是将底层的各种数据进行清洗加工，使用spark离线计算或flink实时计算处理，数据源就是从日志、数据库中获取物品数据、用户数据、业务数据。

介绍了推荐系统的架构后，我们来看看推荐系统最重要的模块-算法，在推荐系统中有四类算法。

1、基于内容的推荐算法，根据用户的浏览记录、购买记录推荐相似的物品。一般使用逻辑回归算法，将用户的浏览记录和项目的信息、离散特征，通过编码；将数值类特征归一化，或者通过分桶技术，进行离散化；然后通过LR模型进行训练。LR模型很稳定，这种算法很简单但不够智能。

2、基于协同过滤的推荐算法，及将拥有相同经验或相同喜好用户群体的物品互相推荐，比如Alice和Bob都购买了啤酒、尿布，在协调过滤中会认为Alice和Bob是类似的人，在Alice的商品浏览页会推荐Bob曾经浏览过的商品，或者在Bob的商品浏览页会推荐Alice曾经浏览过的商品；

3、混合推荐算法，即将不同的算法混合使用，在不同阶段使用不同的推荐算法，呈现给到用户；

4、基于模型的推荐算法，即将用户特征（比如年龄、性别、地域、消费能力、消费爱好）等和商品的特性作为特征，使用机器学习算法进行训练，预测用户对商品的喜好程度，推荐商品给到用户，甚至作为商业产品卖给广告主，按点击率计费。

在真实业务场景中，要做一个推荐系统还是很有挑战的，首先在数据源部分有结构化、非结构化的数据，需要先将采集的数据做清理之后，才能用于机器模型训练；其次如何权衡算法和性能，生产环境的数据非常之多，非常之复杂，如何在最快的响应时间内推荐给到用户最智能的数据呢？；最后用户的兴趣爱好是不断在变的，具有实时性，使用历史数据进行推荐，不够准确；

又是一年双十一要到了，淘宝、口碑、京东等等各大平台的预售已经开始了，在你打开App准备双十一买买买的时候，也可以思考下这背后的逻辑噢。平时在刷知乎刷小红书刷微博刷抖音的时候。也可以结合今天介绍的知识，巩固加深对业务、算法的理解，做好互联网的搬砖工～