? 后面讲的是什么鬼呀？一头雾水

工业界，常用召回架构方式

recall 召回

召回架构 离线模型 推荐集合

个性化推荐系统 RPC

召回 Match 

排名 Rank 

策略调整 Strategy

模型(召回, 排名) 规则 (策略调整)

召回是瓶颈

排名是关键

策略调整是优化

推荐系统架构

我很爱学习

第一部分：召回（用户行为数据）

第二部分：排序

第三部分：策略调整

这个不错的

推荐系统架构

推荐系统架构。

Architecture  结构设计

个性化推荐的背景、落地场景、架构剖析：

一、推荐系统在工业界主流落地场景：

1、信息流：如今日头条、腾讯新闻等；

2、电商：如淘宝京东的猜你喜欢，为你推荐板块；

3、O2O(点对点）的LBS（基于位置服务）：如百度地图找附近餐馆；

二、推荐系统的架构实现：

app：对应终端；

Web Api：对应Api层；

RPC服务：

    Match：个性化召回（如某个用户过往经常点击体育类的item，那么用户画像就给他标上了体育的lable，下次用户访问我们的服务的时候，如果有较新的体育类新闻，会优先推荐给该用户，个性化召回算法是推荐好坏的天花板，因为这部分决定了候选集）；

    Rank：排序，在决定了候选集之后，Rank决定展示给用户的顺序；

    Strategy：策略调整，增加一些规则，比如在信息流类的应用中，我们不想连续推荐同一作者的文章，那么我们可以增加一些打散的策略；

  三、工业界常用的召回架构

1、离线模型：根据用户的行为计算出推荐结果：计算出item之间的相似度、计算出具有某种特点lable的item的排序，比如之前说的离线计算好所有体育类的item的排序文件，这些文件都是直接写入KV的存储中的，在用户访问我们的服务时，Recall部分直接从KV中读取，因为我们存储的只是item_id，所以当我们得到了item_id，再去detail Server中得到每个item_id的详情，然后将详情拼好，传给Rank

2、深度学习模型：