1.3　推荐系统的技术架构

通过1.1节和1.2节的介绍，读者应该对推荐系统有了大致的了解。推荐系统本质上是解决用户和“资源”的匹配问题，其中的“资源”既可以是资讯推荐系统里面的新闻，也可以是视频推荐系统里面的视频。推荐系统的作用就是根据用户的历史先验行为，从候选集中推荐匹配度最高的资源，可以表示为下面的形式：

其中，user profile表示用户信息，item表示需要推荐的资源（比如音乐、电影、物品、新闻等），context表示场景的上下文信息，user behavior seq表示用户行为序列，f是推荐模型。

在实际的推荐系统中，我们可以将推荐系统按功能模块划分为离线、近线、在线和前端应用4个模块，如图1-4所示。

图1-4 推荐系统的技术架构

（1）离线模块，主要包含日志收集、语料（点击日志、展现日志以及特征日志）对齐，以及模型训练。

（2）近线模块，主要包含构建索引、生成用户画像、构建特征库，以及模型更新。

（3）在线模块，主要是推荐系统模型的调用，包含召回、粗排、精排和重排4个阶段。对于像淘宝、天猫这样的电商平台的推荐系统，召回的规模超过1000万件商品，粗排的规模超过1万件商品，精排和重排的规模达到上百件商品。

（4）前端应用模块，主要是不同的场景展示不同的资源，比如图1-4展示了电商网站、新闻网站、视频网站、音乐网站和邮件5个不同的应用场景。

本书将详细地介绍图1-4中推荐系统的在线模块。按照一般工业推荐系统的多阶段级联架构，在线模块分为召回、粗排、精排和重排4个阶段。