推荐系统架构
推荐系统的架构
本文从互联网收集并整理了推荐系统的架构，其中包括一些大公司的推荐系统框架（数据流存储、计算、模型应用），可以参考这些资料，取长补短，最后根据自己的业务需求，技术选型来设计相应的框架。
后续持续更新并收集。
图1界面UI那一块包含3块东西：1) 通过一定方式展示推荐物品(物品标题、缩略图、简介等)；2) 给的推荐理由；3) 数据反馈改进个性化推荐；关于用户数据的存放地方：1)数据库/缓存用来实时取数据；2) hdfs文件上面；抽象出来的三种推荐方式图2图3图3中，推荐引擎的构建来源于不同的数据源(也就是用户的特征有很多种类，例如统计的、行为的、主题的)+不同的推荐模型算法，推荐引擎的架构可以试多样化的(实时推荐的+离线推荐的)，然后融合推荐结果（人工规则+模型结果），融合方式多样的，有线性加权的或者切换式的等图4图4中，A模块负责用户各类型特征的收集，B模块的相关表是根据图3中的推荐引擎来生成的，B模块的输出推荐结果用来C模块的输入，中间经过过滤模块(用户已经产生行为的物品，非候选物品，业务方提供的物品黑名单等)，排名模块也根据预设定的推荐目标来制定，最后推荐解释的生成（这是可能是最容易忽视，但很关键的一环，微信的好友推荐游戏，这一解释已经胜过后台的算法作用了）HULU的推荐系统总结：这个也就跟图3有点类似了，葫芦的推荐系统，至少在他blog中写的比较简单。
更多的是对推荐系统在线部分的一种描述，离线部分我猜想也是通过分布式计算或者不同的计算方式将算法产生的数据存储进入一种介质中，供推荐系统在线部分调用。
系统的整个流程是这样的，首先获取用户的行为，包括(watch、subscribe、vote)，这样行为会到后台获取show-show对应的推荐数据。
同时这些行为也会产生对应的topic，系统也会根据topic 到后台获取topic-show对应的推荐数据。
两种数据进行混合，然后经过fliter、explanation、ranking这一系列过程，最后生成用户看到的推荐数据。
新型智能购物推荐系统架构设计
新型智能购物推荐系统架构设计第一章：引言 (3)1.1 系统背景 (3)1.2 系统目标 (3)1.3 系统意义 (4)第二章：相关技术概述 (4)2.1 人工智能技术 (4)2.2 数据挖掘技术 (4)2.3 推荐系统技术 (5)第三章：需求分析 (5)3.1 功能需求 (5)3.1.1 用户管理 (5)3.1.2 商品信息管理 (6)3.1.3 购物车管理 (6)3.1.4 订单管理 (6)3.1.5 推荐算法 (6)3.1.6 优惠券和积分管理 (6)3.1.7 用户反馈与评价 (6)3.2 功能需求 (6)3.2.1 响应速度 (6)3.2.2 并发处理能力 (6)3.2.3 数据处理能力 (6)3.2.4 系统稳定性 (6)3.3 可靠性需求 (7)3.3.1 数据安全性 (7)3.3.2 系统可用性 (7)3.3.3 容错性 (7)3.3.4 系统可维护性 (7)3.3.5 系统可扩展性 (7)第四章：系统架构设计 (7)4.1 总体架构 (7)4.2 模块划分 (8)4.3 关键技术 (8)第五章：数据处理模块设计 (9)5.1 数据采集与预处理 (9)5.1.1 数据采集 (9)5.1.2 数据预处理 (9)5.2 数据存储与查询 (9)5.2.1 数据存储 (9)5.2.2 数据查询 (9)5.3 数据挖掘与分析 (10)5.3.1 用户画像构建 (10)5.3.3 模型评估与优化 (10)第六章：推荐算法模块设计 (10)6.1 基于内容的推荐算法 (10)6.1.1 算法原理 (10)6.1.2 特征提取 (11)6.1.3 推荐算法实现 (11)6.2 协同过滤推荐算法 (11)6.2.1 算法原理 (11)6.2.2 相似度计算 (11)6.2.3 推荐算法实现 (11)6.3 深度学习推荐算法 (12)6.3.1 算法原理 (12)6.3.2 神经网络结构 (12)6.3.3 推荐算法实现 (12)第七章用户界面模块设计 (12)7.1 用户注册与登录 (12)7.1.1 设计目标 (12)7.1.2 功能描述 (12)7.1.3 技术实现 (13)7.2 商品展示与搜索 (13)7.2.1 设计目标 (13)7.2.2 功能描述 (13)7.2.3 技术实现 (13)7.3 推荐结果展示 (13)7.3.1 设计目标 (13)7.3.2 功能描述 (13)7.3.3 技术实现 (14)第八章：系统安全与功能优化 (14)8.1 数据安全 (14)8.1.1 数据加密 (14)8.1.2 数据备份与恢复 (14)8.1.3 访问控制与权限管理 (14)8.2 系统功能优化 (14)8.2.1 数据库优化 (14)8.2.2 缓存技术应用 (15)8.2.3 分布式架构 (15)8.3 异常处理与日志记录 (15)8.3.1 异常处理 (15)8.3.2 日志记录 (15)第九章：系统测试与评价 (15)9.1 功能测试 (15)9.1.1 测试目的 (15)9.1.2 测试内容 (16)9.2 功能测试 (16)9.2.1 测试目的 (16)9.2.2 测试内容 (16)9.2.3 测试方法 (17)9.3 用户满意度评价 (17)9.3.1 评价目的 (17)9.3.2 评价内容 (17)9.3.3 评价方法 (17)第十章：总结与展望 (17)10.1 系统总结 (17)10.2 未来展望 (18)10.3 发展趋势 (18)第一章：引言1.1 系统背景互联网技术的飞速发展，电子商务已经成为人们日常生活中不可或缺的一部分。
构建实时推荐系统架构的最佳实践
构建实时推荐系统架构的最佳实践随着互联网的快速发展和人们对个性化推荐的需求增加，实时推荐系统架构成为了许多企业关注的焦点。
本文将介绍构建实时推荐系统架构的最佳实践，并探讨其中的关键要素和技术。
一、背景介绍实时推荐系统是一种根据用户的历史行为和实时数据，快速准确地推荐个性化内容的系统。
它主要依靠实时数据处理和机器学习算法，能够根据用户动态的兴趣和行为变化，实时推荐最相关的内容，提高用户体验和平台的粘性。
二、实时数据处理实时推荐系统的核心在于对实时数据的处理能力，要保证数据处理的实时性和准确性。
1. 数据收集与存储实时推荐系统需要收集用户的行为数据和实时流数据，以便进行个性化推荐。
常用的数据源包括网站日志、应用内部事件、社交媒体数据等。
为了快速处理这些大规模实时数据，可使用高吞吐量的数据收集工具和分布式存储系统，如Kafka和Hadoop等。
2. 数据预处理与特征提取收集到的原始数据通常需要进行预处理和特征提取，以便进行后续的模型训练和推荐计算。
预处理包括数据清洗、数据平滑和异常检测等。
特征提取则是从原始数据中选取有用的特征，如用户的历史行为、用户属性等。
3. 实时流处理实时推荐系统需要能够实时处理数据流，并进行实时计算和推荐。
常用的实时流处理框架包括Apache Storm和Apache Flink等。
这些框架可以提供低延迟、高可靠性的实时计算和推荐服务。
三、机器学习算法机器学习算法是实现个性化推荐的关键技术，能够根据用户的行为，自动学习用户的兴趣模型，并实时进行推荐。
1. 用户兴趣建模实时推荐系统需要建立用户的兴趣模型，以便准确地预测用户的偏好和需求。
常用的方法包括协同过滤、矩阵分解和深度学习等。
这些算法能够根据用户的行为和特征，学习到用户的兴趣模型，并实时更新。
2. 实时推荐算法实时推荐系统需要根据用户的实时行为和实时数据，进行实时推荐。
常用的方法包括实时协同过滤、基于内容的推荐和基于模型的推荐等。
完整的推荐系统架构设计(精)
完整的推荐系统架构设计推荐系统是移动互联网时代非常成功的人工智能技术落地场景之一。
本文我们将从架构设计的角度回顾和讨论推荐系统的一些核心算法模块，重点从离线层、近线层和在线层三个架构层面讨论这些算法。
1 架构设计概述架构设计是一个很大的话题，本文这里只讨论和推荐系统相关的部分。
更具体地说，我们主要关注的是算法以及其他相关逻辑在时间和空间上的关系——这样一种逻辑上的架构关系。
下面介绍的是一些经过实践检验的架构层面的最佳实践，以及对这些最佳实践在不同应用场景下的分析。
除此之外，还希望能够通过把各种推荐算法放在架构的视角和场景下重新审视，让读者大家对算法间的关系有更深入的理解，从全局的角度看待推荐系统，而不是只看到一个个孤立的算法。
架构设计的本质之一是平衡和妥协。
一个推荐系统在不同的时期、不同的数据环境、不同的应用场景下会选择不同的架构，在选择时本质上是在平衡一些重要的点。
下面介绍几个常用的平衡点。
▊个性化 vs 复杂度个性化是推荐系统作为一个智能信息过滤系统的安身立命之本，从最早的热榜，到后来的公式规则，再到著名的协同过滤算法，最后到今天的大量使用机器学习算法，其主线之一就是为用户提供个性化程度越来越高的体验，让每个人看到的东西都尽量差异化，并且符合个人的喜好。
为了达到这一目的，系统的整体复杂度越来越高，具体表现为使用的算法越来越多、算法使用的数据量和数据维度越来越多、机器学习模型使用的特征越来越多，等等。
同时，为了更好地支持这些高复杂度算法的开发、迭代和调试，又衍生出了一系列对应的配套系统，进一步增加了整个系统的复杂度。
可以说整个推荐逻辑链条上的每一步都被不断地细化分析和优化，这些不同维度的优化横纵交织，构造出了一个整体复杂度非常高的系统。
从机器学习理论的角度来类比，如果把推荐系统整体看作一个巨大的以区分用户为目标的机器学习模型，则可以认为复杂度的增加对应着模型中特征维度的增加，这使得模型的VC维不断升高，对应着可分的用户数不断增加，进而提高了整个空间中用户的个性化程度。
电商个性化推荐系统技术架构
电商个性化推荐系统技术架构第一章个性化推荐系统概述 (2)1.1 推荐系统的发展背景 (2)1.2 个性化推荐系统的意义与应用 (2)1.2.1 个性化推荐系统的意义 (2)1.2.2 个性化推荐系统的应用 (3)1.3 个性化推荐系统的技术挑战 (3)第二章用户行为数据采集与处理 (3)2.1 用户行为数据类型 (3)2.2 用户行为数据采集方法 (4)2.3 用户行为数据处理与存储 (4)第三章用户画像构建 (5)3.1 用户画像的基本概念 (5)3.2 用户画像的构建方法 (5)3.3 用户画像的优化与应用 (6)第四章物品特征提取与表示 (6)4.1 物品特征类型 (6)4.2 物品特征提取方法 (6)4.3 物品特征的表示与存储 (7)第五章推荐算法概述 (7)5.1 推荐算法的分类 (7)5.2 常见推荐算法原理 (8)5.3 推荐算法的选择与应用 (8)第六章协同过滤算法 (9)6.1 用户基协同过滤 (9)6.1.1 算法原理 (9)6.1.2 相似度计算 (9)6.1.3 推荐 (9)6.2 物品基协同过滤 (10)6.2.1 算法原理 (10)6.2.2 相似度计算 (10)6.2.3 推荐 (10)6.3 模型融合与优化 (10)6.3.1 模型融合 (10)6.3.2 优化策略 (10)第七章基于内容的推荐算法 (11)7.1 内容推荐的基本原理 (11)7.1.1 概述 (11)7.1.2 内容推荐算法的基本原理 (11)7.2 内容推荐算法的实现 (11)7.2.1 数据预处理 (11)7.2.2 算法实现 (12)7.3 内容推荐算法的优化 (12)第八章深度学习在个性化推荐中的应用 (12)8.1 深度学习基础 (12)8.2 神经协同过滤 (13)8.3 序列模型在推荐系统中的应用 (13)第九章推荐系统的评估与优化 (13)9.1 推荐系统评估指标 (13)9.2 评估方法与实验设计 (14)9.3 推荐系统的优化策略 (15)第十章推荐系统的工程实践 (15)10.1 推荐系统的部署与运维 (15)10.2 推荐系统的监控与调试 (16)10.3 推荐系统的业务应用案例 (16)第一章个性化推荐系统概述1.1 推荐系统的发展背景互联网技术的飞速发展，信息量呈现爆炸式增长，用户在获取信息、购买商品和服务时面临着信息过载的问题。
【推荐系统篇】--推荐系统介绍和基本架构流程
【推荐系统篇】--推荐系统介绍和基本架构流程⼀、前述推荐系统是企业中常⽤的技术，所以系统的掌握推荐系统的知识是很有必要的。
本专栏主要讲述⼿机APP下载的项⽬。
常⽤的推荐⽅法有两个，分别是基于物品的推荐和基于⽤户的推荐。
基于⽤户的推荐原理是：跟你喜好相似的⼈喜欢的东西你也很有可能喜欢（userBaseCF）。
基于物品的推荐原理是：跟你喜欢的东西类似的东西你也可能喜欢（itemBaseCF）。
我们这⾥⽤到的是itembaseCF，本质是依据特征找⽤户喜好规律。
显式的⽤户反馈：这类是⽤户在⽹站上⾃然浏览或者使⽤⽹站以外，显式的提供反馈信息，例如⽤户对物品的评分，或者对物品的评论。
隐式的⽤户反馈：这类是⽤户在使⽤⽹站时产⽣的数据，隐式的反应了⽤户对物品的喜好，例如⽤户购买了某物品，⽤户查看了某物品的信息等等。
本项⽬基于隐式的⽤户反馈。
⼆、协同过滤算法详述结论：对于⽤户A，根据⽤户的历史偏好，这⾥只计算得出⼀个邻居⽤户C，然后将⽤户C喜欢的物品D推荐给⽤户A结论：基于⽤户的推荐（长虚线）---1和5⽐较相似，5买了104商品，所以把104推荐给⽤户1。
基于物品的推荐（短虚线）---101物品和104物品⽐较相似，所以当⽤户买了101，把104也推荐给他。
三、lambda架构（所有推荐系统的⽗架构）四、本⽂系统架构lmbda架构（⼿机APP下载）解释：1.选⽤逻辑回归算法原因是⽤户要么下载，要么不下载。
2.⽣成特征索引（实际上是⼀个⽂本⽂件）的原因是格式化测试数据，也是相当于降维，当⼀个userId进来时找到推荐服务，然后通过服务路由去查找HBase中的数据，并根据特征索引来取对应的特征，所以这⼀步相当于⼀个降维。
线上架构（测试集架构）：关联特征：保存的是同现矩阵。
流程：核⼼思想（计算⽤户对所有APP（除去历史下载部分）的评分，按分值排序，然后取topn）问题：五、需求分析（架构推荐⽅案）1、数据清洗（得到训练数据）2、算法建模（得到模型结果）3、模型使⽤（得到推荐结果）4、结果评估（推荐结果评估）。
从Netflix的推荐系统架构中我们可以学习到什么？
从Netflix的推荐系统架构中我们可以学习到什么？你是否常常被乱花渐欲迷人眼的推荐算法绕得如坠云中，觉得好像算法就是推荐系统的全部，哪怕就算不是全部，也肯定至少是个嫡生的长子。
然而，实际上工程实现才是推荐系统的骨架，如果没有很好的软件实现，算法不能落地产生效果，产品不能顺畅地服务用户，不能顺利地收集到用户的反馈，更不能让推荐系统往更好的方向进化。
一个好的推荐系统不仅仅是在线下模型评测指标多么好，也不仅仅是在某个时刻像是灵光乍现一样击中了用户某个口味，而是随着用户的不断使用，产品和用户一起变好，产品背后的人得到进步，用户也越来越喜欢产品。
虽然影响是否用户产品的因素有很多很多，但是能否流畅地给用户提供服务是一个最基本的标准。
更多推荐系统内容，可订阅极客时间热门专栏 --- 资深算法专家刑无刀的《推荐系统36 式》专栏，限时优惠价￥58。
他已经系统深入地为你整理了推荐系统的相关知识和常识，部分文章还针对架构方面为你提供案例分析与解决方案，帮你解决系统起步阶段 80% 的问题。
一个好的推荐系统架构应该具有这些特质：•实时响应请求；•及时、准确、全面记录用户反馈；•可以优雅降级；•快速实验多种策略。
本文中我要介绍一种符合经典推荐系统的架构，它就是著名的流媒体 Netflix 的推荐系统架构。
通过这篇文章，我会为你介绍，实现一个简化版的推荐系统架构应该至少包含哪些元素，同时，我会带你一起总结出，一个经典推荐系统架构应该有的样子。
经典架构好了，废话少说，我先上图。
下面这张图就是 Netflix 的推荐系统架构图。
我先整体看一下这个架构，一共分成三层：在线、近线、离线。
你是不是也发现似乎有一个不太熟识的词出现：近线。
对，这个近线是通常不太提的一个概念，或者通常就把它归入了在线的范畴。
实际上，可以这样定义这三个层级：1.离线：不用实时数据，不提供实时服务；2.近线：使用实时数据，不保证实时服务；3.在线：使用实时数据，要保证实时服务。
产品经理推荐策略产品必备技能之推荐系统框架(上)
编辑导语：推荐策略产品的必备技能之一：推荐系统框架，可能有的同学还不太了解，作者简单地分享了一些相关知识，我们一起来看一下。
本模块的目标：一个经典的推荐系统的架构，主要包括如下四部分：“推荐服务”的功能是对来自业务的request进行预测。
比如，我这会打开抖音，抖音后台会发送一个request给推荐服务所在的服务器，服务器接收到这个request之后，会根据过去我在抖音上的行为偏好，为我推荐我可能感兴趣的短视频。
“存储系统”的功能是存储用户画像、物品画像、以及模型参数。
“离线学习”的功能包括：模型训练、物品画像、用户画像计算。
“在线学习”的功能是利用用户的即时数据进行预估。
每研究任意一款产品，我第一个想法，都是去看看世界上经典、优秀的产品他们是怎么设计的，以及为什么要这样设计。
我的关注目标很简单：从目标开始，以终为始，同时know how。
know- how(或know- how，或程序性知识)是一个关于如何完成某事的实践知识的术语，相对于“know-what”(事实)、“know-why”(科学)或“know who”(沟通)。
为了支撑这个目标，creator都做了哪些设计？是否存在好的「设计模式」值得我学习？设计模式是我尝试通过学习行业经典的产品，从而发掘出可复用的知识结构。
这类复杂产品设计师是如何做到快速深入业务，做到设计驱动，达到业务与专业双成长，是否存在好的「设计工作模式」、「设计思维」值得我学习？业务专业双成长：双成长指的就是如何在消耗大量时间深入业务的同时，在专业深度上也能保持精进。
这是Netflix的推荐系统架构，分为离线、近线和在线层。
这样的设计模式，在当前依然是主流模式。
这是Netflix的推荐系统架构，这个架构的设计目标是：《个性化和推荐的系统架构》中提到：开发一个能够处理大量现有数据、能够响应用户交互并易于试验新的推荐方法的软件体系结构并不是一项简单的任务。
在这个架构中，计算被分为了离线、近线和在线。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
汇报人：余俊良
背景
毫无疑问，这是一个数据爆发的时代。一分 钟内，推特上有 20 万条新消息被发送；在 “Facebook”上用户浏览的信息超过 1000 万条 。人们在享受网络带来便捷的同时，产生了 大量的新型多结构数据。有人说，世界的本 质就是数据，大数据将开启一次重大的时代 转型。
计算方式： 离线：用户偏好分析、用户购买力分析、关联性分析 在线：排序、过滤、增量计算
传统的推荐系统框架
用户行为 日志存储 系统
推荐
系统
UI
日志 系统
数据反馈
用户
传统的推荐系统框架
传统的推荐系统框架通常只能应对少量的推 荐需求，面对如今的多用户反馈，多商品信 息，要求根据上下文进行实时性推荐等是无 能为力的。
HBase
• 分布式Key-Value • Schema Free
Hive
• 基于HDFS的数据仓库 • 类SQL查询语言
大数据环境下的推荐系统
数据流
Flume
• 高可用的，高可靠的， 分布式的海量日志采 集、聚合和传输
Kafka
• 分布式消息队列 • Push & Pull
Storm
• 实时计算框架
通过将推荐系统部署在云平台，利用集群的 计算能力解决大数据下的推荐问题，已是大 势所趋。
大数据环境下的推荐系统
大数据环境下推荐系统的挑战
海量
实时
精准
用户 商品
实时采集 实时计算
用户体验
行为
实时预测
业界口碑
流量
大数据环境下的推荐系统
一个好的推荐系统
分析处理海 量数据
快速处理新 增数据和实
时交互
灵活加入和 迭代各种推
推荐系统组成
数据
显式数据：能准确的反应用户对物品的真实喜好，但需 要用户付出额外的代价
-用户收藏 -用户评价
隐式数据：通过一些分析和处理，才能反映用户的喜好， 只是数据不是很精确，有些行为的分析存在较大的噪音
-用户浏览 -页面停留时间 -访问次数
推荐系统组成
算法
算法类型： 基于内存的算法 基于模型的算法 基于内容的算法 LR算法
技术架构
技术架构
Online
服务引擎 • 高并发、低延迟、高稳定 • Load Balance / Scalability
在线计算 • 和预测
技术架构
Nearline
用户行为收集
• 从日志服务器收集用户行为 • 基于Apache Flume进行读取分发
据超过1TB
数据流
• 处理超过 500GB的数据 流
• 处理超过10亿 条消息
大数据环境下的推荐系统
计算
Map Reduce
Spark
Spark与推荐算法
• 基于内存的数据缓存和计算 • 基于RDD的数据集逻辑结构 • Scala简洁的基于函数式的编程体验
大数据环境下的推荐系统
存储
HDFS
• 分布式文件系统
推荐系统研究现状
目前推荐系统的研究内容和方向主要包括以 下几个方面： 1、推荐技术的研究 2、推荐的实时性与推荐质量 3、利用云计算提高推荐系统计算能力 4、推荐系统的可解释性 5、用户隐私问题
推荐系统组成
产品
核心
数据 算法
推荐系统组成
产品
同类或者相关商品、店铺推荐 买了还买、看来还看等 猜你喜欢 群体信息披露 热门排行榜 etc
背景
当然，如果处理不好大数据，人类可能会被 大数据“反噬”，找到自己需要的信息变得 更困难，迷失于大数据之中。有用的信息埋 没于繁杂的数据中的 现象被称为“信息过载 ”。
在大数据时代，让用户从海量的信息中找到 自己想要的信息实在是有点强人所难。时代 变了，用户获取知识的方式也应随之改变： 利用推荐技术向用户推送个性化服务。
推荐算法 •Item CF •矩阵分解 •基于内容的推荐 机器学习 •排序模型 •CTR预估
推荐流程
上线与迭代
理论支持
线下测试
在线A/B测试
全量上线
测试失败
用户行为分发
• 近在线部分将事件发送给Kafka • 离线部分将数据存储到HDFS
技术架构
Nearline
基于Kafka + Storm • 高稳定性 • 高实时性 • 高并发度
实现分布式的实时数据计算 • 内容相关性计算 • Online Learning
Offline
技术架构
数据建模 •用户兴趣建模/商品建模 •用户/商品聚类 •内容去重
荐算法
低延迟响应 高QPS的推
荐请求
大数据环境下的推荐系统
基于云平台的推荐系统分层架构
大数据环境下的推荐系统
整个推荐系统的底层运转和计算大量依赖于 Hadoop生态系统
计算
• 超过20000个 MapReduce 任 务
• 超过100个 Spark任务
存储
• 超过200TB HDFS存储
• 超过20TB Hbase使用 • 每天新生成数